KI im Private-Equity-Portfolio: von der Fondsstrategie zum messbaren EBITDA-Effekt

Warum KI-Programme im Portfolio versanden

Wir sehen ein wiederkehrendes Muster im Beteiligungsgeschäft.

Die Investmentthese nennt KI als Werthebel. Das Portfoliounternehmen startet einen Piloten. Zwölf Monate später existiert ein Dashboard, ein Proof of Concept und keine Zeile im Reporting, die sich verändert hat.

Das liegt selten an der Technologie.

Es liegt daran, dass niemand den Weg vom Pilot-KPI zur GuV beschrieben hat. Ein Chatbot, der Anfragen beantwortet, senkt keine Kosten, solange die Schichtplanung im Service unverändert bleibt. Ein Scoring-Modell erhöht keinen Umsatz, solange der Vertrieb weiter nach Bauchgefühl priorisiert.

Der zweite Grund ist Zuständigkeit. KI landet oft bei der IT, weil es nach Technik klingt. Der Werthebel liegt aber in einer Fachfunktion, und die Fachfunktion hat den Piloten nicht bestellt.

Der dritte Grund ist Zeit. Ein Halteperiode-Fenster von vier bis fünf Jahren verträgt keine Programme, die in Quartalen denken. Was nach 100 Tagen nichts produziert hat, produziert meistens auch nach 300 Tagen nichts.

Zwei Ebenen: der Fonds selbst und das Portfolio

KI im Beteiligungsgeschäft betrifft zwei getrennte Systeme. Sie werden regelmäßig vermischt, und das kostet Klarheit.

Ebene eins: der Fonds als eigener Betrieb

Ein Fonds ist ein informationsverarbeitendes Unternehmen mit einem kleinen Team. Das ist die günstigste Stelle, um Erfahrung mit KI aufzubauen, weil die Daten überschaubar sind und die Nutzer im Nebenzimmer sitzen.

Drei Anwendungen tragen hier am schnellsten.

Sourcing und Screening. Marktbeobachtung, Signalauswertung aus öffentlichen Quellen, Vorsortierung von Targets entlang der Fondskriterien. Ein Modell trifft keine Investmententscheidung. Es reduziert den Anteil des Teams, der mit Vorqualifizierung verbracht wird.

Due-Diligence-Unterstützung. Datenräume durchsuchbar machen, Vertragsklauseln extrahieren, Abweichungen zwischen Managementpräsentation und Zahlenwerk markieren. Der Nutzen ist Vollständigkeit unter Zeitdruck, nicht Ersatz von Urteilsvermögen.

Portfolio-Reporting. Monatliche Kennzahlen aus heterogenen Systemen einsammeln, normalisieren und kommentieren. Viele Fonds bezahlen diesen Vorgang heute mit Analystenzeit und Excel.

Ebene zwei: das Portfolio

Hier entsteht der eigentliche Wert. Und hier gilt: Ein Fonds hat kein KI-Programm, sondern so viele Programme wie er Beteiligungen hält. Jede hat eigene Systeme, eigene Datenqualität und eigenes Personal.

Eine gemeinsame Plattform über alle Portfoliounternehmen klingt nach Skaleneffekt und scheitert meistens an der Heterogenität. Was skaliert, ist das Vorgehen, nicht die Software.

Vom Fondsthema zum Firmenprojekt

Zwischen der These im Investment Committee und einem laufenden System im Portfoliounternehmen liegt eine Übersetzung, die selten jemand explizit macht.

Die These ist auf Fondsebene formuliert und klingt wie eine Kategorie. Automatisierung im Vertrieb. Effizienz im Back Office. KI als Margenhebel.

Ein Portfoliounternehmen kann eine Kategorie nicht umsetzen. Es kann einen Prozess umsetzen, mit einem Verantwortlichen, einem Budget und einem Termin.

Diese Übersetzung ist die Aufgabe eines KI Operating Partners, unabhängig davon, ob die Rolle so heißt. Sie besteht aus drei Entscheidungen.

Wer trägt das Ergebnis? Nicht wer das Projekt leitet, sondern in wessen Zielen die Kennzahl steht. Liegt der Hebel im Vertrieb, gehört das Vorhaben dem Vertriebsleiter. Die IT liefert Zugänge und Betrieb, nicht die These.

Was ist der Verzicht? Ein Portfoliounternehmen mittlerer Größe kann ein bis zwei Vorhaben dieser Art gleichzeitig tragen. Eine Liste mit neun Anwendungsfällen ist keine Priorisierung, sondern eine Verschiebung der Entscheidung.

Wann wird abgebrochen? Die Abbruchbedingung gehört in denselben Beschluss wie der Start. Ohne sie laufen Vorhaben, weil sie einmal beschlossen wurden.

Auf Fondsebene bleibt eine schmale Rolle sinnvoll. Ein gemeinsames Vorgehen, ein gemeinsamer Satz an Fragen für das Assessment, ein Ort, an dem gelernt wird, was in einer Beteiligung funktioniert hat. Was nicht sinnvoll ist, ist eine zentrale Vorgabe der Werkzeuge.

KI Value Creation: Hebel je Funktion

Wertsteigerung durch KI lässt sich auf drei Kategorien zurückführen: Kosten senken, Preis oder Umsatz erhöhen, Multiple verteidigen. Konkret wird es erst je Funktion.

Vertrieb und Go-to-Market. KI Vertriebsautomatisierung ist der Hebel mit der kürzesten Distanz zum Ergebnis. Recherche, Anreicherung, Entwurf der Erstansprache, Nachfassen, CRM-Pflege. Ein Rechenbeispiel zur Größenordnung: Wenn ein Team aus acht Vertriebsmitarbeitern die Hälfte des Tages mit Recherche und Dokumentation verbringt, entspricht die Rückgewinnung eines Drittels davon rund einer Vollzeitstelle pro Woche in Verkaufszeit. Ob dieser Wert im konkreten Unternehmen zutrifft, muss gemessen und nicht angenommen werden.

Back Office. Rechnungsverarbeitung, Bestellabgleich, Stammdatenpflege, Reisekosten. Hoher Belegdurchsatz und stabile Formate sind die Voraussetzung. Der Effekt zeigt sich in Durchlaufzeit und Fehlerquote, oft vor der Personalzeile.

Pricing. Rabattdisziplin, Preisdifferenzierung nach Kundensegment, Erkennung von Margenlecks im Bestand. Preishebel wirken direkt und schnell, weil sie kein Volumen brauchen. Sie verlangen aber saubere Transaktionsdaten und Rückhalt in der Geschäftsführung.

Kundenservice. Deflection von Standardanfragen, Vorschlagsantworten für Agenten, automatische Zusammenfassung von Vorgängen. Der Wert entsteht bei der Kapazitätsplanung, nicht beim Bot.

Produktion und Supply Chain. Bedarfsprognose, Instandhaltung, Qualitätsprüfung mit Bildverarbeitung. Längere Vorlaufzeiten, dafür schwerer kopierbar.

Wo LLM-Agenten hingehören

Agenten sind sinnvoll, wenn ein Vorgang mehrere Schritte über mehrere Systeme umfasst, häufig vorkommt und ein überprüfbares Ergebnis hat. Angebotserstellung, Lieferantenanfragen, Datenübertragung zwischen CRM und ERP.

Sie sind nicht sinnvoll, wenn ein Fehler teuer und schwer erkennbar ist, oder wenn eine Regel die Aufgabe billiger löst.

Wir bauen die Bewertungslogik vor dem Rollout. Ohne Testfälle und Fehlerbudget ist ein Agent in Produktion eine Wette.

Ein 100-Tage-Muster

Das folgende Vorgehen ist kein Projektplan, sondern eine Reihenfolge, die verhindert, dass Aufwand vor Klarheit entsteht.

Tag 1 bis 20: Assessment. Ein KI-Readiness-Assessment im Portfoliounternehmen beantwortet vier Fragen. Welche Prozesse binden am meisten Zeit? Welche Daten liegen in welcher Qualität vor? Welche Systeme lassen sich anbinden? Wer im Unternehmen kann Verantwortung für ein Ergebnis übernehmen?

Tag 20 bis 30: Priorisierung. Jeder Kandidat wird auf zwei Achsen bewertet. EBITDA-Wirkung und Datenreife. Was hoch wirkt und reif ist, kommt zuerst. Was hoch wirkt und unreif ist, bekommt ein Datenprojekt statt eines KI-Projekts. Der Rest wartet.

Tag 30 bis 60: Pilot. Ein Anwendungsfall, echte Daten, echte Nutzer, produktive Systeme. Kein Sandkasten. Der Pilot hat eine Baseline, die vorher gemessen wurde, und eine Abbruchbedingung.

Tag 60 bis 90: Skalierung. Der Pilot wird auf das ganze Team ausgerollt, oder er wird eingestellt. Beides ist ein akzeptables Ergebnis. Ein Pilot, der weiterläuft, ohne zu skalieren, ist der teuerste Ausgang.

Ab Tag 90: Governance. Zugriffsrechte, Protokollierung, Umgang mit personenbezogenen Daten, Verantwortlichkeiten bei Fehlern, Dokumentation für die spätere Käuferprüfung. Governance früh anzulegen ist billiger, als sie im Exit-Prozess nachzureichen.

Messung: vom Pilot-KPI zum EBITDA

Die Brücke zwischen technischer Kennzahl und Finanzkennzahl muss vor dem Piloten stehen, nicht danach.

Ein einfaches Schema. Der Pilot misst eine operative Größe, etwa bearbeitete Vorgänge pro Mitarbeiterstunde. Diese Größe wird mit einer betriebswirtschaftlichen Größe verknüpft, etwa Personalkosten je Vorgang. Diese wiederum wirkt auf eine GuV-Position.

Entscheidend ist die dritte Verknüpfung. Eingesparte Zeit ist erst dann eine Kostenersparnis, wenn eine Entscheidung sie realisiert. Entweder wird die Kapazität in Umsatz umgelenkt, oder sie wird abgebaut, oder sie fängt Wachstum ohne Neueinstellungen auf. Wird diese Entscheidung nicht getroffen, bleibt der Effekt unsichtbar.

Für die Exit-Story zählt zusätzlich die Wiederholbarkeit. Ein Käufer bewertet einen dokumentierten, laufenden Prozess anders als eine einmalige Einsparung.

Drei Messfehler, die wir regelmäßig sehen

Baseline nach dem Start. Wird die Ausgangslage erst nach dem Rollout erhoben, ist der Effekt nicht mehr belegbar. Die Baseline gehört in die Woche vor dem Piloten.

Nutzung als Erfolgskennzahl. Anzahl der Nutzer und Anzahl der Anfragen sagen etwas über Einführung aus, nichts über Wert. Beide steigen auch dann, wenn die Ergebnisse unbrauchbar sind.

Doppelzählung über Vorhaben hinweg. Zwei Projekte, die dieselbe Stunde einsparen, sparen sie einmal. Bei mehreren parallelen Vorhaben in derselben Funktion ist die Summe der Einzelnutzen fast immer zu hoch.

Was das Reporting braucht

Eine Zeile je Vorhaben genügt. Zustand, Baseline, aktueller Messwert, verknüpfte GuV-Position, nächster Entscheidungspunkt. Wenn diese Zeile nicht befüllbar ist, fehlt entweder die Messung oder der Werthebel.

Was ein Fonds von einem Engineering-Partner braucht

Wir sind ein kleines Senior-Team und arbeiten entsprechend.

Wenige Leute mit Erfahrung statt Pyramiden. In einem Portfoliounternehmen mit 200 Mitarbeitern ist ein großes Beraterteam ein Fremdkörper. Zwei bis drei Personen, die selbst bauen, kommen weiter.

Wochen statt Quartale. Ein Assessment dauert bei uns Wochen, nicht Monate. Ein erster produktiver Anwendungsfall folgt im selben Quartal.

Auslieferung statt Präsentation. Wir liefern laufende Systeme in bestehenden Umgebungen, angebunden an CRM, ERP und Datenbestand, mit Tests und Übergabe an das interne Team. Ein Foliensatz ist ein Nebenprodukt.

Übergabe als Ziel. Am Ende soll das Portfoliounternehmen ohne uns weiterarbeiten können. Das ist auch im Interesse des Fonds, weil eine Abhängigkeit von externen Dienstleistern in der Due Diligence des Käufers auffällt.

Fazit

KI im Portfoliounternehmen ist kein Technologiethema, das man delegieren kann. Es ist ein Wertsteigerungsthema mit technischer Umsetzung.

Der Weg dorthin ist unspektakulär. Verstehen, wo Zeit und Marge liegen. Priorisieren nach Wirkung und Datenreife. Einen Anwendungsfall produktiv bringen. Messen. Dann den nächsten.

Wenn Sie ein Portfoliounternehmen haben, bei dem KI in der These steht und im Reporting fehlt, schreiben Sie uns an [email protected]. Wir schauen uns den Fall an und sagen Ihnen, ob wir einen Hebel sehen.