KI-Readiness eines Portfoliounternehmens: was vor und nach dem Deal zu prüfen ist

Was KI-Readiness für ein Portfoliounternehmen bedeutet

Allgemeine KI-Reifegradmodelle geben einem Unternehmen eine Note von eins bis fünf und sagen wenig über Wert. Ein Investmentteam braucht etwas anderes: wo KI in genau diesem Unternehmen das EBITDA bewegen könnte, was es dafür braucht und was es aufhalten könnte. Die meisten Unternehmen stehen am Anfang: In einer BCG-Befragung von 1.250 leitenden Führungskräften melden 60 % bisher kaum Effekte durch KI, nur 5 % erzielen Wert in großem Maßstab (BCG 2025).

Sechs Dimensionen eines KI-Readiness-Checks

Wert: beim Geld anfangen, nicht bei der Technik

Die Prozesse erfassen, in denen Arbeit manuell, langsam oder wissensintensiv ist, und jedem grob Kosten zuordnen: Auftragsabwicklung, Kundenservice, Finanzen, Angebote. Dann fragen, wo Marge versickert: Rabatte außerhalb der Regeln, langsame Angebote, Fehler, die zu Gutschriften führen. Das sind die Kandidaten. Ein guter Kandidat kommt häufig vor, ist klar begrenzt und lässt sich von einem Menschen prüfen, bevor sein Ergebnis wirkt.

Daten und Systeme: was da ist und was erlaubt ist

Die meisten nützlichen KI-Cases in mittelständischen Unternehmen arbeiten mit Daten, die schon vorhanden sind: frühere Angebote, Aufträge, Rechnungen, Tickets, Richtlinien. Die Fragen sind, ob diese in einer Form vorliegen, die ein Werkzeug lesen kann, ob das Unternehmen sie nutzen darf und ob die Kernsysteme Ergebnisse zurücknehmen können. In unserer Arbeit bleiben ERP oder CRM führend; die KI macht die Vorarbeit drumherum.

Menschen und Führung: wer es verantwortet

Jeder Case braucht eine Führungskraft, die das Ergebnis verantwortet. Will niemand im Managementteam diese Rolle, bleibt der Case stecken, egal wie gut die Technik ist. Prüfen Sie auch, wo das Wissen sitzt: Ein Prozess, der im Kopf einer einzigen Person steckt, ist Risiko und Chance für ein Wissenswerkzeug zugleich.

Governance und Recht: die Fragen, die später alles bremsen

• Rolle nach der KI-Verordnung: Wer KI in eigener Verantwortung nutzt, ist Betreiber; er muss Maßnahmen zur Förderung der KI-Kompetenz seines Personals ergreifen (Art. 4) und die verbotenen Praktiken beachten (Art. 5). Hochrisiko-Anwendungen wie KI in der Bewerberauswahl bringen ab dem 2. Dezember 2027 Betreiberpflichten nach Art. 26 (KI-Verordnung; Digital-Omnibus).
• Datenschutz: Verträge zur Auftragsverarbeitung für jedes KI-Werkzeug, das personenbezogene Daten erhält (Art. 28 Abs. 3 DSGVO).
• Betriebsrat: Unterrichtung über den geplanten KI-Einsatz (§ 90 Abs. 1 Nr. 3 BetrVG) und Mitbestimmung, wo ein System Verhalten oder Leistung überwachen kann (§ 87 Abs. 1 Nr. 6 BetrVG) (BetrVG).
• Verträge mit Anbietern: wem gehört, was gebaut wird, was mit den Daten geschieht und ob das Unternehmen wechseln kann.

Als Gliederung bietet das NIST AI Risk Management Framework vier Funktionen: Govern, Map, Measure und Manage. Es ist freiwillig und keine Checkliste, hilft aber, nichts zu vergessen. Nichts davon ist Rechtsberatung.

Betroffenheit: stärkt oder bedroht KI das Geschäftsmodell?

Diese Frage kann den Investment Case selbst verändern. Verkauft das Unternehmen etwas, das KI bereits günstig kann? Bekommen seine Kunden neue Möglichkeiten? Oder macht KI das eigene Angebot besser, schneller oder günstiger in der Lieferung? Ein stark betroffenes Unternehmen braucht eine strategische Antwort, nicht nur Effizienz-Cases. Wie man Marktoptionen wie eine Investitionsentscheidung prüft, beschreibt Go-to-Market-Strategie.

Vor dem Deal: Fragen für die Due Diligence

Vor dem Signing ist die Zeit knapp und der Zugang begrenzt. Konzentrieren Sie sich auf die Fragen, die Preis oder Plan verändern:

1. Betroffenheit: Welche Umsatzteile hängen an Aufgaben, die KI bereits erledigen kann? Welche Kunden könnten es selbst?
2. Was schon läuft: Welche KI-Werkzeuge sind im Einsatz, bei wem, mit welchen Daten? Gibt es eine KI-Richtlinie?
3. Rechte und Verträge: Darf das Unternehmen seine Kunden- und Betriebsdaten für KI nutzen? Welche KI-Anbieter halten seine Daten, zu welchen Bedingungen?
4. Schlüsselpersonen und Wissen: Ist kritisches Wissen dokumentiert oder an wenige Personen gebunden?
5. Potenzial: Wo liegen die zwei oder drei größten Werthebel für KI, grob beziffert, als Grundlage für den Wertsteigerungsplan?

Antworten auf die letzte Frage sollten Spannen sein, keine Versprechen. Veröffentlichte Ergebnisse gibt es Hebel für Hebel und meist als Selbstauskunft; KI-Anwendungsfälle in Portfoliounternehmen zeigt, was belegt ist und mit welchen Einschränkungen.

Nach dem Closing: vom Check zur Wertkarte

Nach dem Closing werden dieselben sechs Dimensionen zur Grundlage des Plans. Jeder Kandidat wird auf zwei Achsen bewertet: Wert (Euro EBITDA oder Cash, als Spanne) und Machbarkeit (Daten, Systeme, Verantwortung, Regeln). Der erste Case liegt dort, wo beides hoch ist. Das ist die Logik eines Portfolio-KI-Scans: ein Raster für jedes Unternehmen, eine Wertkarte je Managementteam und eine Heatmap für das Investmentteam, damit sich Cases vergleichen lassen und ein Werkzeug, das in einem Unternehmen läuft, im nächsten wiederverwendet werden kann.

Zwei Forschungsbefunde prägen die Bewertung. Die Interviews von RAND mit 65 Data Scientists und Engineers nennen fünf Hauptursachen für das Scheitern von KI-Projekten: ein falsch verstandenes Problem, fehlende Daten, Technik vor Zweck, fehlende Infrastruktur und Aufgaben, die für KI zu schwer sind (RAND 2024). Und KI hilft deutlich bei Aufgaben innerhalb ihrer Leistungsgrenze, während Menschen bei einer Aufgabe jenseits davon 19 Prozentpunkte seltener richtig liegen (Dell’Acqua et al. 2026). Eine Machbarkeitsbewertung, die Problem, Daten und Passung der Aufgabe prüft, fängt das meiste davon ab, bevor Geld ausgegeben ist.

Portfolio-KI-Scans führen wir für Private-Equity-Fonds als Impact-Partner durch, geleitet von zwei ehemaligen Partnern bei McKinsey & Company und Roland Berger, und bauen danach die ersten Werkzeuge auf den eigenen Systemen des Unternehmens. Mehr auf pe.leadbeyond.de.