Effizienzsteigerung durch KI: Chancen und Grenzen im Small-Cap-Bereich für FDD

veröffentlicht am 27. März 2024 | Lesedauer ca. 3 Minuten

Künstliche Intelligenz (KI) erfreut sich wachsender Beliebtheit und hat mittlerweile Einzug in die Geschäftswelt gefunden. Unternehmen erkennen zunehmend, dass die Implementierung dieser Technologie nicht nur die Effizienz steigert, sondern auch einen entscheidenden Wettbewerbsvorteil schaffen kann. Ein besonders beliebtes KI-Tool ist der Chatbot ChatGPT von OpenAI. Das Sprachmodell kann auf menschliche Eingaben teils präzise Antworten generieren und wird bereits in vielen Unternehmen als Unterstützung im täglichen Geschäft angewendet. Auch im Kontext von M&A treten immer mehr Anbieter hervor, die sich dem Thema KI widmen.

Im Rahmen der Due Diligence, vor allem der Legal Due Diligence (LDD) im M&A Prozess, müssen unzählige Verträge und Dokumente überprüft werden, um alle Risiken in der Unternehmenstransaktion abzubilden. KI-Tools von Unternehmen und Start-ups erleichtern die zeitintensive Dokumentenprüfung, indem sie automatisierte Analysen, Änderungsvorschläge und Klassifizierungen von Dokumenten vornehmen. Die überwiegende Anzahl der KI-Tools hat sich auf die LDD spezialisiert. KI-Tools für andere Due Diligence Bereiche, wie der Financial Due Diligence (FDD), existieren auf dem Markt, sind aber noch nicht ausgereift. Dabei gibt es hier vielfältige Anwendungsbereiche, denen jedoch auch diverse Herausforderungen gegenüberstehen. Im Verlauf dieses Artikels wird auf beide Punkte unter dem Fokus vom Small Cap Segment eingegangen.

Möglichkeiten von KI in der FDD

KI-Tools können in der FDD im Small Cap zu weiterer Optimierung, Automatisierung und Unterstützung genutzt werden. Ähnlich wie in der LDD kann auch in der FDD das KI-Tool für die Analyse umfangreicher Dokumente genutzt werden, um wesentliche Informationen zu extrahieren. Ein fundamentaler und wiederkehrender Schritt in der FDD besteht darin, die Gewinn- und Verlustrechnung (GuV) sowie die Bilanz sowie weitere Daten wie bspw. Kundenauswertungen aus Unterlagen wie den Jahresabschlüssen in ein aussagekräftiges Format zu übertragen. Dieser Prozess ist erforderlich, um darauf aufbauend weitere Analysen durchzuführen. Künstliche Intelligenz kann diese Aufgaben automatisieren und erheblich zur Effizienzsteigerung des gesamten Prozesses beitragen. Im Allgemeinen bieten sich KI-Tools auch dafür an, um erste inhaltliche Auswertungen oder Qualitätschecks durchzuführen.

Herausforderung KI im Small Cap

KI wird oft in Verbindung mit menschlichem Denken gebracht. Dabei ist es dem Prozess nachempfunden, dass Menschen durch Lernen an ihre Umwelt anpassungsfähig werden. Im gleichen Rahmen funktionieren auch KI-Modelle. Um das Lernen des KI-Modells kontinuierlich voranzutreiben, benötigt das Modell im besten Fall eine große Menge an Daten, von denen es lernen kann. Hierbei wird dem KI-Modell zu den Daten passender und gewollter Output geliefert. Das Modell lernt mit jedem Durchgang durch die Eigenschaften der Daten, das dazugehörige Output zu generieren. Bereits während der Datensammlung für die Modellentwicklung treten Schwierigkeiten auf. Dokumente aus Small Cap Unternehmen können aufgrund von Datenschutzbestimmungen und Offenlegungsvorschriften oft nur schwer als Trainingsdatensatz für die Modelle verwendet werden. Ein KI-Modell kann zudem nur so gut sein wie die Daten, mit denen es trainiert wurde.

In der Small Cap Umgebung gestaltet sich das Training von KI-Modellen als besonders anspruchsvoll. Die Datenkonsistenz ist hier in der Regel nicht gegeben und die verfügbaren Daten liegen oft nur in gescannter Form vor –ohne ein ausgeprägtes Controlling. Das Fehlen standardisierter Prozesse und die unregelmäßige Buchung von Transaktionen erschweren die Erstellung eines kohärenten und zuverlässigen Trainingssets für die KI erheblich. Diese Unvorhersehbarkeiten und Unregelmäßigkeiten stellen eine große Hürde dar, da KI-Modelle normalerweise auf konsistenten Daten basieren, um effektiv Muster zu erlernen und Vorhersagen zu treffen. Die Schwierigkeiten im Umgang mit unstrukturierten Daten, insbesondere in kleinen Unternehmen, erfordern möglicherweise spezielle Anpassungen und eine intensivere manuelle Überwachung des Trainingsprozesses. Der Einsatz des KI-Modells wird häufig mit unbekannten Dokumenttypen und Fehlern konfrontiert, die im Small Cap Bereich häufiger auftreten. Dies führt zu Beeinträchtigungen in der Qualität des Modelloutputs. Die Anpassung des Modells erfordert wiederum historische Daten, die möglicherweise in ausreichendem Umfang fehlen. Dadurch hinkt der gesamte Prozess hinterher, was die Effektivität der Modelle beeinträchtigt. Ein generelles Problem der KI besteht außerdem darin, dass sie Schwierigkeiten hat, industriespezifische Sprache oder Besonderheiten zu verstehen. Zudem ist nicht immer transparent nachvollziehbar, wie das Modell eine bestimmte Entscheidung getroffen hat. Insgesamt bedeutet dies, dass die Implementierung von KI in Small Cap-Unternehmen nicht nur technologisches Know-how erfordert, sondern auch ein tiefes Verständnis für die individuellen Eigenheiten und Herausforderungen dieser Unternehmen. Daher bleibt die Notwendigkeit menschlicher Expertise bestehen, um die Qualität und Genauigkeit des KI-Modells sicherzustellen.

Aussichten und Fazit

Im Small Cap Bereich stellen sich spezifische Herausforderungen für den Trainingsprozess von KI-Modellen, da Datenkonsistenz bei kleineren Unternehmen oft nicht gegeben oder fehleranfälliger ist. Die Entwicklung von KI-Tools, die speziell für den FDD-Prozess konzipiert sind, verläuft vergleichsweise langsam. Dennoch birgt die Verbindung von Financial Due Diligence und künstlicher Intelligenz erhebliche Potenziale für eine Steigerung der Effizienz und einen gezielteren Einsatz von Ressourcen. Es ist jedoch wichtig zu beachten, dass selbst fortschrittliche KI-Modelle nicht fehlerfrei sind. In vielen Fällen ist menschlicher Input nach wie vor unerlässlich, um die Qualität und Genauigkeit der Analyse sicherzustellen und mögliche Fehler zu erkennen. Die Integration von KI in den FDD-Prozess sollte daher als Ergänzung zu menschlicher Expertise betrachtet werden, um optimale Ergebnisse zu erzielen.