Kann KI M&A-Analysten ersetzen? Wo generative KI im Deal-Alltag noch versagt

Dieses Gespräch führt mittlerweile jedes Deal-Team: Jemand kopiert die Finanzzahlen eines Targets in ChatGPT und bittet um eine schnelle Einschätzung. Die Antwort kommt sofort, klingt flüssig und wirkt überzeugend. Sie ist aber manchmal falsch, und zwar auf eine Weise, die schwer zu erkennen ist, bis es teuer wird.

Diese Lücke zwischen dem, wie kompetent generative KI klingt, und dem, wie verlässlich sie für Deal-Arbeit tatsächlich ist, beantwortet dieser Artikel. Nicht die Frage „verändert KI das M&A-Geschäft“ (das hat sie bereits), sondern „kann sie den Analysten ersetzen“, und was die Evidenz aus 2025 und 2026 dazu tatsächlich zeigt.

In diesem Artikel erfahren Sie:

• Warum Dealmaker generative KI so schnell adaptieren wie kaum eine andere Tool-Kategorie zuvor im M&A
• Was die McKinsey-Umfrage von 2025 tatsächlich über den Effekt von KI auf Deal-Zyklen und Genauigkeit zeigt, und was nicht
• Welche dokumentierten Fehlermuster generische KI-Tools in Finanz- und Deal-Kontexten aufweisen, inklusive realer Vorfälle mit finanziellen Folgen
• Warum Halluzination ein strukturelles Problem generischer KI ist und kein Bug, der sich einfach wegpatchen lässt
• Wo menschliche Einschätzung weiterhin den Ausschlag gibt und wie sich das bis 2030 voraussichtlich verändert
• Was Sie prüfen sollten, bevor Sie einer KI-generierten Zahl in einem Deal vertrauen

KI hat die Deal-Arbeit bereits verändert, aber „verändert“ heißt nicht „ersetzt“

Generative KI ist im M&A-Geschäft längst keine Neuheit mehr. Deal-Teams nutzen sie, um Targets zu screenen, erste Entwürfe von Memos zu schreiben, Datenraum-Dokumente zusammenzufassen und Teile der Due Diligence zu beschleunigen, für die Analysten früher Tage brauchten. In einer McKinsey-Umfrage aus 2025 unter 200 M&A-Fachleuten, die generative KI einsetzen, gaben 40 % an, dass sich ihre Deal-Zyklen dadurch um 30 bis 50 % verkürzt haben. Über den gesamten Deal-Lebenszyklus hinweg nannten die Befragten bessere Deal-Insights (57 %, in der Dealmaking-Phase sogar 66 %) und vereinfachte, gestraffte Prozesse (56 %, bei der Target-Identifikation sogar 63 %) als wichtigste Vorteile.

Das ist ein realer, messbarer Produktivitätsgewinn. Es ist aber nicht dasselbe wie die Aussage „KI kann die Arbeit eines Analysten übernehmen“. Die McKinsey-Daten beschreiben Beschleunigung und Unterstützung: Aufgaben werden schneller erledigt und besser begleitet, sie verschwinden nicht, weil ein Modell sie unbeaufsichtigt übernimmt.

Eine separate globale Studie von Datasite und FT Longitude, „The New Deal Team“, befragte 1.000 Dealmaker weltweit und kommt zu einem ähnlichen Bild: Dealmaker erwarten, dass KI bis 2030 vollständig in Deal-Workflows integriert ist, und sie erwarten, dass menschliches Urteilsvermögen und Erfahrung gerade deshalb zum entscheidenden Unterscheidungsmerkmal werden, weil KI die routinemäßigen, wiederholbaren Teile der Arbeit übernimmt. Das beschreibt einen Rollenwandel, keine Rollenauflösung.

Wo generische KI-Tools tatsächlich helfen

Drei Anwendungsfälle funktionieren bei vernünftiger Kontrolle auch mit generischen Tools wie ChatGPT oder Copilot gut:

• Erste Entwürfe von internen Memos, Teasern oder Zusammenfassungen, die ein Analyst anschließend überarbeitet und prüft
• Zusammenfassungen langer Dokumente (NDAs, Management-Präsentationen, umfangreiche Berichte), um sich vor der vertieften Lektüre zu orientieren
• Brainstorming von Fragen für Management-Gespräche oder Diligence-Anfragelisten

Keiner dieser Fälle verlangt, dass das Modell bei einer konkreten, überprüfbaren Tatsache richtigliegt. Dieser Unterschied ist entscheidend für alles, was folgt.

Wo generische KI-Tools versagen, und warum

Das Kernproblem ist nicht mangelnder Schliff, sondern fehlende Verankerung in echten Daten. Ein generisches Sprachmodell generiert das statistisch wahrscheinlichste nächste Wort auf Basis von Mustern in seinen Trainingsdaten. Es hat keinen eingebauten Mechanismus, um den tatsächlichen Umsatz eines bestimmten Unternehmens zu prüfen, eine konkrete behördliche Meldung zu bestätigen oder zu verifizieren, ob ein zitiertes Multiple aktuell ist. Wenn es eine Antwort nicht kennt, sagt es das nicht zuverlässig. Stattdessen produziert es eine plausibel klingende Antwort.

Die auf M&A-Transaktionen spezialisierte Anwaltskanzlei Thompson Hine veröffentlichte im April 2026 eine Analyse genau dieses Risikos und stellte fest, dass generative Tools „falsch liegen können, und das oft überzeugend“. Genau diese Überzeugungskraft macht Halluzinationen in der Deal-Arbeit gefährlich: Eine falsche Zahl, die unsicher klingt, wird gegengeprüft. Eine falsche Zahl, die autoritativ klingt, wird weitergeleitet.

Das ist kein hypothetisches Risiko. Es hat außerhalb des M&A-Geschäfts bereits reale finanzielle und rechtliche Folgen verursacht, die genau das Fehlermuster zeigen, vor dem sich Deal-Teams schützen müssen:

Keiner dieser Fälle betraf direkt eine M&A-Transaktion, aber der Mechanismus ist identisch mit dem, was innerhalb eines Deals passieren kann: Ein Modell behauptet etwas Falsches mit voller Überzeugung, niemand prüft es rechtzeitig unabhängig, und der Fehler landet in einem Dokument, einer Offenlegung oder einer Entscheidung. Im M&A-Kontext könnte ein solcher Fehler in ein Bewertungsmodell, ein Diligence-Memo oder eine Zusicherung im Kaufvertrag einfließen, mit entsprechenden Folgekosten nach Closing: eine Korrektur, eine Rückforderung oder eine Wertminderung auf den Goodwill.

Warum das ein strukturelles Problem ist und kein vorübergehendes

Es liegt nahe anzunehmen, dass sich das Problem mit besseren Modellen von selbst löst. Teilweise stimmt das. Aber das Kernproblem bei Deal-Arbeit ist nicht die reine Modellintelligenz, sondern der Zugang zu Daten und deren Überprüfbarkeit. Ein generischer Chatbot hat keine Verbindung zu strukturierten, aktuellen Daten über nicht börsennotierte Unternehmen. Er kann nicht bestätigen, dass die gemeldete Mitarbeiterzahl eines Targets einer verifizierten Quelle entspricht, eine Marktgrößenangabe gegen strukturierte Branchendaten gegenprüfen oder kennzeichnen, wenn eine von ihm generierte Zahl überhaupt keine zugrunde liegende Quelle hat. Die Empfehlung von Thompson Hine spiegelt genau das wider: Behandeln Sie KI-Output mit derselben Skepsis wie den ersten Entwurf eines Berufseinsteigers, führen Sie eine Nutzungsrichtlinie für generative KI ein, und lassen Sie Fachexperten alles prüfen, was Diligence-Schlussfolgerungen oder Deal-Dokumente betrifft.

Diese Empfehlung beschreibt im Grunde, wofür speziell entwickelte Tools da sind. Eine Plattform, die gezielt für Deal-Arbeit gebaut ist und auf strukturierten Unternehmens- und Marktdaten statt auf allgemeinen Internettexten basiert, kann das Profil eines Targets gegen tatsächliche Coverage-Daten verifizieren, Marktgrößen auf Abruf aus strukturierten Quellen statt aus einer plausiblen Schätzung generieren und eine Outside-In-Unternehmensanalyse liefern, die bis zur Quelle zurückverfolgbar ist statt aus Mustererkennung synthetisiert. Das ist eine andere Kategorie von Tool als ein generischer Chatbot, und sie schließt genau die Verifizierungslücke, die die oben genannten Vorfälle zeigen.

Kann KI den Analysten also ersetzen?

Nach der aktuellen Evidenz aus 2026 nicht. Was die Daten belegen, ist enger gefasst und für Deal-Teams nützlicher: Generative KI beschleunigt zuverlässig bestimmte Aufgaben (Entwürfe erstellen, zusammenfassen, erstes Screening) und versagt zuverlässig bei Aufgaben, die verifizierte, aktuelle, konkrete Fakten erfordern, sofern sie nicht in einer strukturierten, vertrauenswürdigen Datenquelle verankert ist. Die Rolle des Analysten verschiebt sich weg vom manuellen Zusammentragen von Informationen hin zum Prüfen, Einordnen und Entscheiden auf deren Basis. Der von Datasite genannte Zeithorizont 2030 für eine vollständige KI-Integration ist eine vernünftige Schätzung dafür, wie weit dieser Wandel noch gehen muss, aber „vollständig integriert“ bedeutet in diesem Bild weiterhin menschliches Urteilsvermögen als Unterscheidungsmerkmal, nicht die Abwesenheit des Menschen.

Für Deal-Teams, die heute entscheiden müssen, wo sie generative KI einsetzen, gilt eine einfache Faustregel: Nutzen Sie generische Tools für Entwürfe und Zusammenfassungen, und nutzen Sie datenverankerte, speziell entwickelte Tools für alles, bei dem eine falsche Zahl etwas kostet.

Erfahren Sie, wie StrategyBridgeAI Unternehmens- und Marktanalysen auf verifizierten, strukturierten Daten statt auf KI-Vermutungen aufbaut. Demo vereinbaren.