Warum Standard-KI im Deal-Screening scheitert – und was eine PE-taugliche Plattform wirklich können muss

Generative KI ist im Private Equity angekommen. Meist in Form eines Custom GPT, auf den ein Analyst die letzten Teaser hochlädt, um Eckdaten schneller zusammenzufassen. Die ersten Antworten beeindrucken. In der zweiten Woche fällt auf, dass das Tool eine EBITDA-Marge erfindet, ein IM behandelt wie einen einseitigen Teaser und Vergleichsunternehmen vorschlägt, die mit dem Investmentprofil nichts zu tun haben.

Das ist kein Modellproblem. Es ist ein Kontextproblem. Erst-Screening im Mittelstands-Buyout folgt einer Fachlogik, die ein allgemeines Chat-Tool nicht kennt – und auch nicht kennen kann. Dieser Beitrag beschreibt, woran generische KI im Deal-Screening konkret scheitert und was eine Plattform stattdessen leisten muss. Die Beispiele stammen aus einer Investment Intelligence Platform, die wir für einen Small-Cap-Private-Equity-Investor gebaut haben.

Teaser und IM sind nicht dasselbe Dokument

Ein generisches Tool sieht ein PDF. Ein Analyst sieht den Deal-Stand. Ein anonymer Einseiter am Anfang des Prozesses verlangt eine andere Verarbeitung als ein 80-seitiges Information Memorandum in einer fortgeschrittenen Phase – andere Datentiefe, andere Vertraulichkeit, andere Folgefragen.

Wer beide Dokumenttypen gleich behandelt, bekommt entweder eine Überextraktion aus dünnen Teasern oder eine Unterextraktion aus dichten IMs. Eine PE-taugliche Plattform erkennt zuerst, womit sie es zu tun hat, und wählt den passenden Verarbeitungspfad. Erst diese Unterscheidung macht aus „Zusammenfassung“ eine belastbare Erstprüfung.

Generische Benchmarks führen im Mittelstand in die Irre

Die teuerste Schwäche von Standard-Tools liegt im Peer-Vergleich. Ein allgemeines Modell zieht öffentliche Branchendurchschnitte heran. Im DACH-Mittelstand bei 5–50 Mio. EUR Umsatz sind die selten aussagekräftig: Die relevante Vergleichsgröße ist nicht „Industrie“, sondern die konkrete Nische.

Eine brauchbare Peer-Suche arbeitet deshalb entlang einer fachlichen Priorisierung – zuerst in der exakten Nische, dann im Sub-Sektor, erst dann im übergeordneten Sektor. Und sie greift auf die richtige Datenquelle zu: nicht auf das offene Internet, sondern auf die historischen Deals, CRM-Profile und Unterlagen des Hauses selbst. Genau das institutionelle Wissen, das ein Custom GPT nicht hat.

Ein Score, den Sie im IC verteidigen können

„Fasse die Stärken und Schwächen zusammen“ produziert Prosa. Eine Investment-Entscheidung braucht eine reproduzierbare Einschätzung. Zwei Analysten, die dasselbe Target bewerten, sollten zur selben Erst-Einordnung kommen – sonst hängt die Pipeline an der Tagesform.

Ein strukturierter Fit Score löst das, indem er jedes Target gegen dieselben Dimensionen prüft: Industry Fit, Geschäftsmodell-Logik, Größe und Profitabilität. Das Ergebnis ist eine nachvollziehbare GO / PRÜFEN / NO-GO-Einschätzung auf Basis der Investment-Kriterien des Hauses – nicht auf Basis generischer Standards. Entscheidend ist nicht, dass die Maschine entscheidet. Entscheidend ist, dass die erste Einordnung konsistent ist und sich begründen lässt.

Quellenbasiert ist im PE keine Komfortfunktion

In der Investment-Arbeit ist eine erfundene Zahl kein Schönheitsfehler, sondern ein Haftungsrisiko. Die wichtigste Produktregel lautet deshalb: Die KI darf keine Fakten erfinden. Jede Aussage muss auf die zugrunde liegende Quelle zurückführbar sein.

Das verändert, wie das System gebaut sein muss. Vertrauliche Unterlagen laufen über eine geschützte Projektumgebung mit Zugriff nur für berechtigte Nutzer. Dokumente, Deals und Analyseprozesse sind sauber getrennt. Antworten sind quellenbasiert und überprüfbar. Zugriffskontrolle und Nachvollziehbarkeit sind hier keine nachgelagerten Features, sondern die Grundlage – ein generischer Chat-Layer kann das nicht nachträglich liefern.

Das CRM, das mit jedem Deal besser wird

Die meisten PE-Häuser sitzen auf Jahren anonymisierter Deal-Daten, die im Tagesgeschäft kaum nutzbar sind. Sie liegen verstreut, unvollständig und nicht systematisch durchsuchbar. Ein Standard-Tool ignoriert diesen Bestand. Eine fachliche Plattform macht ihn zum Asset.

Bestehende CRM-Datensätze werden strukturiert geprüft – auf Vollständigkeit, Finanzdaten, Duplikate und Konsistenz – und geprüfte Informationen fließen kontrolliert in eine zentrale Datenbank. So wird aus der Ablage ein Vergleichsarchiv, das mit jedem neuen Deal an Qualität gewinnt. Der Vorteil kompoundiert: Je mehr Vorgänge laufen, desto präziser werden die Peer-Vergleiche.

Was das für die Bewertung eigener KI bedeutet

Der Unterschied zwischen einem beeindruckenden Pilot und einem Werkzeug, das im Deal-Alltag trägt, liegt nicht im Modell. Er liegt in der Fachlogik darüber: Dokumenttyp-Bewusstsein, hauseigene Kriterien, das eigene institutionelle Wissen als Datenbasis und eine quellenbasierte Arbeitsweise für vertrauliche Unterlagen.

Eine solche Plattform ersetzt nicht das Partner-Judgment. Sie standardisiert die Erstbewertung, macht historische Deal-Erfahrung für das gesamte Team zugänglich und schafft mehr Zeit für die Fragen, die wirklich zählen: qualitative Bewertung, Management-Gespräche, strategische Einschätzung. Aus dem Teaser-PDF wird in kurzer Zeit ein strukturiertes Investment-Profil mit Peer-Benchmark und begründeter Empfehlung.

Wie das in der Praxis aussieht, zeigt unsere Case Study mit Silver Investment Partners. Wenn Sie einschätzen wollen, welche Prozesse in Ihrem Haus sich dafür eignen, ist die KI-Potenzialanalyse der pragmatische erste Schritt.