Künstliche Intelligenz transformiert den Prozess der Unternehmensbewertung auf eine Weise, die weit über die einfache Automatisierung von Tabellenkalkulationen hinausgeht. Die neuen KI-Modelle, die in der Bewertung zum Einsatz kommen, ersetzen nicht die traditionelle Methodik — Discounted Cash Flow, Vergleichsmultiplikatoren und Substanzwertverfahren bleiben der konzeptionelle Kern — aber sie erweitern die Menge und Qualität der verarbeitbaren Informationen erheblich, verbessern die Prognosegenauigkeit und ermöglichen die Identifizierung von Mustern, die ein menschlicher Analyst durch manuelle Analyse kaum erkennen könnte.
Der Stand der Technik: Was KI bei Bewertungen kann und was nicht
KI-Anwendungen in der Unternehmensbewertung konzentrieren sich derzeit auf drei Bereiche, in denen ihr Beitrag am substanziellsten ist:
Automatisierte Vergleichsanalyse. Relative Bewertungsmethoden (EV/EBITDA, KGV, EV/Umsatz-Multiplikatoren) erfordern die Identifizierung vergleichbarer Unternehmen und aktueller Transaktionen in der Branche. Traditionell wurde diese Analyse manuell oder unter Verwendung teurer Datenbanken mit eingeschränktem Zugang durchgeführt. Natural Language Processing (NLP)-Modelle können heute automatisch öffentliche Register, Börsenprospekte, M&A-Pressemitteilungen und private Transaktionsdatenbanken durchsuchen, um breitere und aktuellere Vergleichsuniversen zu erstellen.
Cashflow-Prognose mittels alternativer Daten. Traditionelle Prognosemodelle stützen sich fast ausschließlich auf historische Finanzdaten. KI-Modelle können alternative Daten einbeziehen — Webtraffic des Zielunternehmens, Suchvolumen der Marke, Stimmungsanalyse von Kundenbewertungen, Muster bei Stellenausschreibungen, Trends beim Erwerb von Softwarelizenzen — als Frühindikatoren für die Geschäftsentwicklung, was die Qualität kurz- und mittelfristiger Umsatzprognosen verbessert.
Sentiment- und qualitative Risikoanalyse. Eine Bewertung beinhaltet stets eine Risikokomponente, die sich im Abzinsungssatz widerspiegelt. KI-Modelle können automatisch Tausende von Dokumenten analysieren — Kreditverträge, Kundenverträge, regulatorische Prüfungen, Branchennachrichten — um spezifische Risikofaktoren zu identifizieren, die im Abzinsungssatz oder in Wertanpassungen berücksichtigt werden sollten.
Fortgeschrittene Methoden: Jenseits des Standard-DCF
Die Discounted-Cash-Flow-Methode (DCF) bleibt der am häufigsten verwendete Ansatz bei M&A- und Private-Equity-Transaktionen, doch KI verstärkt komplementäre Methoden erheblich, die zuvor im großen Maßstab schwer umsetzbar waren:
Monte-Carlo-Simulation. Die klassische Szenarioanalyse verwendet drei bis fünf Projektionen (optimistisch, Basis, pessimistisch). Die Monte-Carlo-Simulation erzeugt Tausende möglicher Szenarien, indem jeder Schlüsselvariablen (Wachstumsrate, EBITDA-Marge, Abzinsungssatz, Investitionsausgaben) Wahrscheinlichkeitsverteilungen zugewiesen werden. Mit KI sinkt der erforderliche Rechenaufwand für die Erstellung und Kalibrierung dieser Verteilungen drastisch, und die Ergebnisse werden als Wahrscheinlichkeitsverteilungen des Endwertes dargestellt, was ein wesentlich differenzierteres Bild der Bewertungsunsicherheit bietet.
Realoptionsanalyse. Die Realoptionsmethodik bewertet die strategische Flexibilität, die in einem Unternehmen steckt — die Option, eine Produktlinie zu erweitern, eine Investition aufzuschieben oder ein Projekt aufzugeben. Historisch war sie aufgrund ihrer mathematischen Komplexität schwer anzuwenden. KI-Modelle können die Parameter von Realoptionen anhand von Markt- und Branchendaten kalibrieren und die Methodik so für mittelständische Unternehmen zugänglicher machen.
Wertschöpfungsanalyse auf Segmentebene. Bei Unternehmen mit mehreren Geschäftsbereichen oder Standorten ermöglicht KI eine Bewertungsdisaggregation nach Segmenten. So lässt sich identifizieren, welche Unternehmensteile Wert schaffen und zu welchem inhärenten Multiplikator sie gehandelt werden, was Entscheidungen über Veräußerungen, Abspaltungen oder strategische Fokussierung erleichtert.
Alternative Daten in der Praxis: Reale Anwendungsfälle
Die Verwendung alternativer Daten in der Bewertung — Quellen jenseits geprüfter Jahresabschlüsse — gewinnt bei Private-Equity-Fonds und den M&A-Abteilungen großer Investmentbanken zunehmend an Bedeutung. Für den spanischen Mittelstand sind die praktischsten Anwendungsfälle:
Ein Fonds, der die Übernahme eines B2B-Dienstleistungsunternehmens prüft, kann die LinkedIn-Profile des Teams analysieren, um die historische Fluktuation, die durchschnittliche Betriebszugehörigkeit und die Zusammensetzung des Managementteams zu bewerten. Ein Technologieunternehmen kann bewertet werden, indem App-Store-Downloadzahlen, Nutzerbindungsindizes und Erwähnungen in Fachforen mit traditionellen Finanzdaten abgeglichen werden. Eine Einzelhandelskette kann unter Einbeziehung von Besucherfrequenzdaten und geobasierter Wettbewerbsanalyse bewertet werden.
Grenzen und Risiken des KI-Einsatzes bei Bewertungen
Der Einsatz von KI in der Bewertung ist nicht ohne Risiken, die Fachleute verstehen müssen:
Garbage in, garbage out. KI-Modelle sind nur so gut wie die Daten, mit denen sie trainiert wurden. Alternative Daten von geringer Qualität, mit Verzerrungen oder unzureichender Repräsentativität können systematisch irreführende Bewertungen erzeugen. Die Datenqualität ist die erste Variable, die vor jeder KI-gestützten Bewertung überprüft werden muss.
Modellopazität. Einige KI-Modelle (tiefe neuronale Netze, Random Forests) sind schwer zu interpretieren. Eine Bewertung, die einem Käufer, einem Gericht oder der Steuerbehörde nicht verständlich erklärt werden kann, hat begrenzten Nutzen in Kontexten, in denen eine Begründung und Verteidigung des Ergebnisses erforderlich ist.
Overfitting und Extrapolation. Modelle, die auf historischen Daten trainiert wurden, können sich zu stark an vergangene Muster anpassen und in disruptiven Umgebungen unzuverlässige Prognosen liefern — genau dann, wenn die Bewertung am unsichersten ist und das Expertenurteil am dringendsten benötigt wird.
Das Expertenurteil verschwindet nicht: Die sich wandelnde Rolle des Bewerters
KI transformiert die Rolle des Bewertungsanalysten; sie eliminiert sie nicht. Der Bewerter der Zukunft ist der Fachmann, der weiß, welche alternativen Datenquellen am relevantesten sind, wie Modellergebnisse zu interpretieren sind, wie potenzielle Verzerrungen erkannt werden können und wie eine kohärente und verteidigungsfähige Bewertungsnarrative konstruiert wird. Die Unterzeichnung eines Bewertungsgutachtens bleibt — und wird bleiben — eine menschliche Verantwortung mit rechtlichen und reputationsbezogenen Konsequenzen, die kein Algorithmus übernehmen kann.
Bei BMC integrieren wir fortschrittliche Datenanalysetools in unsere Bewertungsprozesse und kombinieren die Leistungsfähigkeit quantitativer Modelle mit dem Expertenurteil unseres Teams. Entdecken Sie unsere Unternehmensbewertungsleistungen.
