Können Sie KI-generierten Unternehmensdaten im M&A-Research vertrauen?
Von
Lisa
Fragen Sie ein allgemeines KI-Tool nach dem Umsatz, der Gesellschafterstruktur oder der letzten Transaktion eines privaten Unternehmens, bekommen Sie in der Regel eine Antwort. Das Problem: Die Antwort klingt genauso überzeugend, wenn die Zahl falsch ist, wie wenn sie stimmt. Für einen Blogbeitrag ist das eine kleine Peinlichkeit. Für ein Buy-Side-Screening, eine Sell-Side-Longlist oder ein Due-Diligence-Memo kann eine überzeugend falsche Zahl darüber entscheiden, welche Unternehmen Sie ansprechen, wie Sie einen Deal bepreisen, oder was am Ende in einer Zusicherung steht, für die Sie nach Closing geradestehen müssen.
Das ist kein theoretisches Risiko. Kanzleien veröffentlichen inzwischen eigene Mandanten-Hinweise genau zu diesem Thema, und Benchmark-Studien zu KI im Rechts- und Finanzbereich zeigen Halluzinationsraten, die an keiner anderen Stelle im Deal-Prozess akzeptabel wären. Die praktische Frage für Corporate-M&A-, Corporate-Development-, Advisory-, WP- und Restrukturierungsteams lautet nicht, ob sie KI für Unternehmens- und Marktrecherche nutzen sollten, sondern wie sie erkennen, welche Ausgaben auf verifizierbaren Daten beruhen und welche eine plausibel klingende Vermutung sind.
Was Sie in diesem Artikel lernen:
- Warum allgemeine KI-Tools falsche Unternehmensdaten mit derselben Sicherheit liefern wie korrekte
- Was eine halluzinierte Zahl in Due Diligence oder Deal Sourcing tatsächlich kosten kann
- Der Unterschied zwischen “die KI hat mir diese Zahl genannt” und “diese Zahl lässt sich auf eine Quelle zurückführen”
- Was eine belastbare, audit-feste Unternehmensdaten-Pipeline leisten muss
- Wie StrategyBridgeAI die Unternehmensdaten hinter der Plattform beschafft und prüft
- Eine praktische Checkliste, bevor Sie KI-generierte Daten in einem laufenden Deal verwenden
Warum KI-Tools bei Unternehmensdaten danebenliegen, und warum das in einem Deal zählt
Allgemeine KI-Assistenten sind Sprachmodelle. Sie sind darauf trainiert, die statistisch wahrscheinlichste Fortsetzung eines Texts zu erzeugen, nicht eine Zahl nachzuschlagen und gegen eine Primärquelle zu prüfen. Hat ein Modell genug öffentliche Daten zu einem Unternehmen gesehen, gibt es sie korrekt wieder. Hat es das nicht, füllt es die Lücke mit etwas, das genauso klingt, richtig oder falsch. Am Output selbst erkennen Sie den Unterschied nicht.
Das wiegt im M&A und Corporate Development schwerer als bei den meisten anderen KI-Anwendungen im Unternehmensalltag, weil die Kosten eines Fehlers asymmetrisch sind. Eine falsche Antwort in einem Marktüberblick kostet vielleicht eine Stunde. Eine falsche Umsatzzahl, eine veraltete Gesellschafterstruktur oder ein frei erfundener Transaktions-Vergleichswert, der in eine Longlist, eine Investment-These oder eine Due-Diligence-Akte einfließt, kann eine Entscheidung prägen, die teuer oder rechtlich bindend rückgängig zu machen ist.
Woher KI-generierte Unternehmensdaten tatsächlich stammen
Beantwortet ein allgemeines KI-Tool eine Frage zu einem privaten Unternehmen, greift es auf das zurück, was irgendwo in seinen Trainingsdaten oder in einer Websuche über dieses Unternehmen auftaucht: Presseberichte, die eigene Website des Unternehmens, LinkedIn, Aggregator-Seiten, die wiederum von anderen Aggregatoren abgreifen. Das ist nicht dasselbe wie eine Zahl direkt aus dem hinterlegten Jahresabschluss zu ziehen.
Daraus ergeben sich zwei Probleme. Erstens ist die Abdeckung ungleich verteilt: Ein Unternehmen mit wenig öffentlicher Präsenz liefert dem Modell schlicht weniger verlässliches Material, und genau solche Unternehmen tauchen im Off-Market-Deal-Sourcing und beim Screening im unteren Mittelstand auf. Zweitens: Selbst wenn eine Zahl irgendwo in den Inputs existiert, ordnen generische Aggregatoren einzelne Felder nachweislich falsch zu, etwa Rohertrag als Umsatz oder eine veraltete Beteiligungsquote als aktuell. Ein Modell, das auf solchen Daten trainiert ist, übernimmt den Fehler, ohne ihn kennzeichnen zu können.
Was eine halluzinierte Zahl tatsächlich kostet
Bloomberg Law veröffentlichte im März 2026 einen Hinweis von McDermott Will & Schulte, der davor warnt, dass unkritisches Vertrauen auf KI in der Due Diligence, oder das Versäumnis, ihre Ergebnisse zu prüfen, Ansprüche wegen arglistiger Täuschung, Verletzung von Zusicherungen oder Wertminderung nach Closing stützen kann. Das Beispiel der Kanzlei: Ein Käufer stellt nach Closing fest, dass die Finanzkennzahlen des Verkäufers überhöht dargestellt waren, weil die in der Diligence eingesetzte KI die Zahlen falsch analysiert hat. Das ist kein hypothetisches Szenario, sondern genau die Art von Streitfall, die entsteht, wenn ein Deal bereits auf Basis einer ungeprüften Zahl geschlossen wurde.
Die zugrunde liegende Fehlerquote ist dabei nicht vernachlässigbar. Unabhängige Benchmarks zur Textzusammenfassung durch führende Sprachmodelle (das Vectara-HHEM-Leaderboard) zeigen für die besten Modelle Halluzinationsraten von unter 1 % bei kurzen, sauberen Quelldokumenten, die bei längeren oder komplexeren Inhalten deutlich ansteigen. Eine Studie von Stanford RegLab und Stanford HAI zu juristischen KI-Tools fand Halluzinationsraten von 69 bis 88 % bei spezifischen juristischen Sachfragen, und 83 % der befragten Jurist:innen hatten bereits ein erfundenes Zitat in einem KI-Output entdeckt. M&A-Due-Diligence und Unternehmensrecherche liegen näher an diesem komplexen, risikoreichen Ende des Spektrums als an der kurzen, sauberen Textzusammenfassung, und genau dort steigen die Fehlerraten.
Warum generische KI-Tools nicht prüfen können, was sie nicht wissen
Ein Sprachmodell hat keinen eingebauten Mechanismus, um zu sagen: “Das weiß ich eigentlich nicht, ich schätze.” Es lässt sich zu Vorbehalten auffordern, kann eine Zahl aber nicht eigenständig gegen eine Primärquelle prüfen, wenn es nicht explizit mit einer verbunden ist. Genau auf diesen Punkt läuft die Branchendiskussion zu Deal-Daten immer wieder hinaus: Ein Modell kann sprachlich flüssig und trotzdem falsch sein, wenn die zugrunde liegenden Daten unvollständig, veraltet oder nicht bis zur Quelle nachvollziehbar sind. Sprachliche Flüssigkeit ist nicht dasselbe wie Richtigkeit, und im Due-Diligence-Kontext werden beide leicht verwechselt.
Was eine belastbare Unternehmensdaten-Pipeline tatsächlich braucht
Die Alternative zu “KI fragen und hoffen” ist eine Daten-Pipeline, in der sich jedes Feld auf eine definierte Quelle zurückführen lässt, und in der die genutzte Quelle davon abhängt, was für genau diesen Datenpunkt tatsächlich am verlässlichsten ist, nicht davon, welcher Anbieter am günstigsten oder am einfachsten anzubinden ist.
Was eine belastbare Daten-Pipeline braucht
| Anforderung | Was das in der Praxis bedeutet |
|---|---|
| Nachvollziehbarkeit | Jede Zahl lässt sich auf das konkrete Register, die Einreichung oder den Anbieter zurückführen, aus dem sie stammt |
| Quellen-Rangfolge je Feld | Stammdaten, Finanzzahlen und Gesellschafterstrukturen nutzen jeweils die für dieses Feld nachweislich verlässlichste Quelle, nicht einen pauschalen Anbieter |
| Definierter Aktualisierungsrhythmus | Jede Datenkategorie (Finanzzahlen, Eigentümerstruktur) wird nach einem festgelegten, bekannten Rhythmus aktualisiert, nicht nach einem unbekannten |
| Keine stille Anpassung | Eingereichte Zahlen werden standardisiert und auf Plausibilität geprüft, aber nie leise umgeschrieben oder fortgeschrieben |
| Transparenz bei Rückgriffsquellen | Existiert für ein Land kein öffentliches Register, wird die Ausweichquelle benannt, statt hinter einem einzigen aggregierten Score zu verschwinden |
Wie StrategyBridgeAI Unternehmensdaten beschafft und prüft
Die Unternehmensdatenbank von StrategyBridgeAI umfasst rund 46 Millionen private Unternehmen aus dem DACH-Raum, dem übrigen Europa, Asien, Nordamerika, Lateinamerika und der Karibik, Ozeanien und Afrika. Für Unternehmens-Stammdaten, Jahresabschlüsse und Gesellschafterstrukturen ist die Primärquelle grundsätzlich das jeweilige nationale Register, soweit vorhanden, etwa das Unternehmensregister, der Bundesanzeiger und das Handelsregister in Deutschland, Companies House in Großbritannien, Infocamere in Italien, oder vergleichbare Register in mehr als 20 weiteren Ländern in Europa, Asien, Amerika, Afrika und Ozeanien.
Deckt kein öffentliches Register einen bestimmten Datenpunkt ab, greift StrategyBridgeAI auf spezialisierte Sekundärdatenbanken zurück, wobei die Wahl des Anbieters pro Datenfeld getroffen wird, nicht pauschal. Gesellschafterstrukturen und globale Konzernstrukturen stammen beispielsweise aus anderen Quellen als Mitarbeiterzahlen, weil generische Datenaggregatoren nachweislich Schwächen bei einzelnen Feldern haben, etwa wenn Rohertrag als Umsatz ausgewiesen wird. StrategyBridgeAI nutzt pro Feld den Anbieter mit der höchsten nachweisbaren Datenqualität für genau dieses Feld. Der Company Snapshot der Plattform zieht zusätzlich Live-Daten direkt von der Unternehmenswebsite, um Änderungen sichtbar zu machen, etwa eine neue Produktlinie, einen neuen Standort oder einen Management-Wechsel, die in keinem Register oder keiner Datenbank bereits erfasst sind.
Finanzdaten und bewertungsrelevante Kennzahlen börsennotierter Unternehmen stammen von Financial Modeling Prep. Der Aktualisierungsrhythmus ist je Kategorie definiert: Unternehmens- und Finanzdaten für Deutschland werden wöchentlich aktualisiert, für den Rest der Welt monatlich; Eigentümerdaten weltweit quartalsweise; Kontaktdaten sind weltweit auf Abruf per API verfügbar.
Dabei werden die zugrunde liegenden eingereichten Zahlen strukturiert, standardisiert und auf Plausibilität geprüft, StrategyBridgeAI passt veröffentlichte Jahresabschlusszahlen jedoch nicht eigenständig an oder schreibt sie fort. Die Verantwortung für die inhaltliche Würdigung der Daten bleibt beim Nutzer, genau wie bei jeder Primärquelle. Das ist der praktische Unterschied zwischen einer für Deal-Arbeit gebauten Plattform und einem allgemeinen KI-Tool, das aus dem antwortet, was es zufällig gesehen hat.
Wie StrategyBridgeAI KPIs berechnet: deterministisch statt geschätzt
Wie verlässlich eine Kennzahl ist, hängt genauso von der Art der Berechnung ab wie von der Herkunft der zugrunde liegenden Daten. Für die zentrale Finanzlogik hinter den Kennzahlen, Validierungen und nachvollziehbaren KPIs von StrategyBridgeAI kommen deterministische, regelbasierte Methoden zum Einsatz statt eines Modells, das eine Antwort schätzt: Dieselben Eingaben liefern immer dasselbe Ergebnis, und dieses Ergebnis lässt sich bis zur zugrunde liegenden Berechnung zurückverfolgen. Machine Learning wird gezielt eingesetzt, etwa für Schätzung, Prognose und Mustererkennung, und dabei klar von großen Sprachmodellen (LLMs) unterschieden. Verschiedene Modelltypen werden gezielt kombiniert, um Ergebnisse zu erzielen, die präzise, reproduzierbar und auditierbar sind, statt auf eine plausibel klingende Antwort zu optimieren.
Jede Erkenntnis, die StrategyBridgeAI liefert, ist durch erklärbare Belege gestützt: die zugrunde liegenden Datenquellen, die getroffenen Annahmen und die verwendete Modellierungslogik. Analysen sind so konzipiert, dass sie reproduzierbar und überprüfbar sind, und damit auch einer internen Prüfung oder externen Validierung standhalten, nicht nur einem ersten Blick. Wo Machine Learning überhaupt zum Einsatz kommt, etwa um Ausreißer oder fehlende Werte zu kennzeichnen, unterstützt es die Datenhygiene, statt sie zu ersetzen: Dieser Prozess wird nie vollständig automatisiert und bleibt an eine menschliche Prüfung gebunden. Für Teams, die eine Zahl in einem Deal verteidigen müssen, macht genau dieser Unterschied, zwischen einer deterministischen Berechnung und der besten Schätzung eines Modells, aus einer Kennzahl einen belastbaren Beleg statt nur einen Ausgangspunkt. Mehr zu dieser Methodik, und dazu, wie StrategyBridgeAI Kundendaten schützt und trennt, finden Sie auf der Seite zu Daten & Sicherheit.
Eine praktische Checkliste, bevor Sie KI-generierte Daten in einem Deal verwenden
Bevor eine Zahl aus einem KI-Tool in eine Longlist, eine Investment-These oder eine Diligence-Akte einfließt, lohnt sich eine kurze Prüfung: Woher stammt diese Zahl konkret, und lässt sich die Quelle benennen? Handelt es sich um eine Primärquelle oder einen Sekundäranbieter, und falls Letzteres, warum wurde dieser Anbieter für genau dieses Feld gewählt? Wie aktuell ist die Zahl, gemessen an welchem Rhythmus? Wurde an dieser Zahl etwas angepasst, fortgeschrieben oder abgeleitet, statt sie direkt aus einer Einreichung zu übernehmen? Lautet die Antwort auf eine dieser Fragen “das hat mir die KI gesagt”, behandeln Sie die Zahl als Arbeitshypothese, nicht als Grundlage für eine Entscheidung.
Möchten Sie mit Unternehmensdaten arbeiten, die Sie tatsächlich bis zur Quelle zurückverfolgen können? Sprechen Sie mit StrategyBridgeAI darüber, wie die Plattform die privaten Unternehmensdaten für Ihren nächsten Deal beschafft und prüft.
Häufig gestellte Fragen
Kann ChatGPT verlässliche Finanzdaten zu privaten Unternehmen liefern?+
Nicht zuverlässig. ChatGPT und vergleichbare allgemeine KI-Tools greifen auf das zurück, was sie öffentlich über ein Unternehmen gesehen haben, was bei privaten Unternehmen oft unvollständig oder veraltet ist, und sie haben keinen eingebauten Mechanismus, eine Zahl gegen eine Primärquelle wie einen hinterlegten Jahresabschluss zu prüfen. Unabhängige Benchmarks zeigen deutlich steigende Halluzinationsraten bei komplexen oder schlecht dokumentierten Themen, was auf die meisten privaten Unternehmensrecherchen zutrifft.
Was ist eine KI-Halluzination im Kontext von M&A-Due-Diligence?+
Eine plausibel klingende, aber falsche Aussage, etwa eine falsche Umsatzzahl, eine veraltete Beteiligungsquote oder ein nie stattgefundener Transaktions-Vergleichswert, die ein KI-Tool mit derselben Sicherheit präsentiert wie eine korrekte Antwort. Bloomberg Law hat gewarnt, dass ungeprüfte KI-Halluzinationen in der Due Diligence Ansprüche wegen arglistiger Täuschung oder Verletzung von Zusicherungen nach Closing stützen können.
Wie verifiziere ich KI-generierte Unternehmensdaten, bevor ich sie in einem Deal verwende?+
Führen Sie die Zahl auf eine benannte Quelle zurück. Prüfen Sie, ob sie aus einem Primärregister oder einer Einreichung stammt, aus einem für genau dieses Datenfeld gewählten Sekundäranbieter, oder aus einer nicht überprüfbaren allgemeinen KI-Antwort. Prüfen Sie, wie aktuell sie gemessen an einem bekannten Rhythmus ist, und stellen Sie sicher, dass keine Zahl still angepasst oder von der tatsächlich eingereichten Größe abgeleitet wurde.
Nutzt StrategyBridgeAI selbst KI, um seine Unternehmensdaten zu generieren?+
Die zentralen Finanz- und Unternehmensdaten von StrategyBridgeAI stammen aus nationalen Registern und geprüften Datenanbietern, die pro Datenfeld ausgewählt werden, nicht aus einem von einem Sprachmodell generierten Text. Unternehmensbeschreibungen und Mitarbeiterzahlen werden aus Unternehmenswebsites und LinkedIn-Profilen zusammengestellt, und der Company Snapshot ergänzt Live-Daten direkt von der Unternehmenswebsite, als Ergänzung, nicht als Ersatz der registerbasierten Kerndaten.
Wie viele Unternehmen deckt StrategyBridgeAI ab?+
Die Datenbank von StrategyBridgeAI umfasst rund 46 Millionen private Unternehmen aus dem DACH-Raum, dem übrigen Europa, Asien, Nordamerika, Lateinamerika und der Karibik, Ozeanien und Afrika, vorrangig aus nationalen Handels- und Offenlegungsregistern, ergänzt durch spezialisierte Anbieter dort, wo kein öffentliches Register existiert.
Mehr aus dieser Kategorie
Weitere Insights von StrategyBridgeAI.

Warum die meisten Unternehmen nach einer Akquisition aufhören und wie M&A wiederholbar wird
62 % der Käufer kaufen nach dem ersten Deal nie wieder zu. Was Unternehmen bremst und welche fünf Bausteine M&A vom Einzelprojekt zum wiederholbaren Prozess machen.

Warum Finanzinvestoren doppelt so häufig akquirieren wie operative Unternehmen
Finanzinvestoren stellen 19 % der Käufer, verantworten aber 36 % der Akquisitionen. Der Grund liegt weniger im Kapital als in der Struktur. Was Corporate-M&A-Teams übernehmen können.

Serial Acquirer: Warum 10 % der Käufer 56 % aller Akquisitionen tätigen
Die aktivsten 10 % der Käufer verantworten 56 % aller erfassten Akquisitionen. Was Serial Acquirer von Einmalkäufern unterscheidet und was das für Ihren nächsten Deal bedeutet.
