Selbst bauen oder kaufen: Sollten M&A-Teams eigene KI-Tools entwickeln oder eine Plattform einkaufen?

In den meisten M&A- und Corporate-Development-Teams läuft gerade dieselbe Diskussion: Bauen wir unsere KI-Tools selbst oder kaufen wir eine Plattform ein? Sie beginnt meist, nachdem jemand an einem Wochenende ein Sprachmodell an eine Datenquelle angeschlossen hat und dabei etwas herauskam, das in der Demo überzeugend aussieht.

Die Demo ist der einfache Teil. Was einen Wochenend-Prototypen von einem Werkzeug unterscheidet, dessen Ergebnisse ein Deal-Team in ein Investment Committee tragen kann, sind Daten, Qualitätsprüfung und Wartung. Genau dort liegen die eigentlichen Kosten. Dieser Artikel zerlegt die Entscheidung so, wie ein Praktiker sie betrachten sollte.

In diesem Artikel erfahren Sie:

• Welche Bausteine eines KI-Stacks für Deal Sourcing und Analyse sich intern realistisch bauen lassen und welche nicht
• Warum die meisten KI-Pilotprojekte im Unternehmen nie in den Produktivbetrieb kommen und was dieses Muster für Deal-Teams bedeutet
• Welche Kostenblöcke im Business Case für eine Eigenentwicklung fast immer fehlen, von Datenlizenzen bis Qualitätssicherung
• In welchen drei Situationen eine Eigenentwicklung tatsächlich die bessere Entscheidung ist
• Mit welchem Test Sie eine gute Demo von einer Plattform unterscheiden, die einer Prüfung standhält
• Wie Sie die Make-or-Buy-Entscheidung in einer Woche statt in einem Quartal treffen

Was Sie tatsächlich bauen würden

KI für M&A zu bauen ist selten ein Projekt. Es sind vier, und sie haben sehr unterschiedliche Schwierigkeitsgrade.

1. **Die Datenebene.** Geprüfte Unternehmensdaten in der Breite: Finanzkennzahlen, Eigentümerstrukturen, Produkte und Kontaktdaten, für öffentliche und private Unternehmen in jedem relevanten Markt. Das ist Lizenzarbeit und Data Engineering, nicht Machine Learning.
2. **Die Such- und Mapping-Ebene.** Eine Suchintention wie europäische Anbieter präzisionsgefertigter Komponenten für die Medizintechnik in eine belastbare Menge von Unternehmen übersetzen, unabhängig von starren Branchencodes.
3. **Die Analyseebene.** Bewertung, Peer-Group-Bildung, Benchmarking, Prognosen. Alles, was eine Zahl erzeugt, die ein Partner unterschreiben muss.
4. **Die Output- und Governance-Ebene.** Dokumentierte Quellen, reproduzierbare Ergebnisse, gremienfertige Unterlagen und ein Prüfpfad, der einer Nachprüfung standhält.

Die meisten Eigenentwicklungen schaffen eine dünne Version von Ebene 2 und bleiben dort stehen. Das liegt nicht an fehlendem Talent. Es liegt daran, dass die Ebenen 1, 3 und 4 dauerhafte Betriebsaufgaben sind, keine Projekte mit Enddatum.

Warum interne KI-Projekte selten in den Produktivbetrieb kommen

Dieses Muster ist auch außerhalb von M&A gut dokumentiert. Die NANDA-Initiative des MIT kam in ihrem Bericht The GenAI Divide: State of AI in Business (2025) zu dem Ergebnis, dass rund 95% der KI-Pilotprojekte in Unternehmen keinen messbaren geschäftlichen Ertrag erbrachten. Die Ursachen waren überwiegend organisatorisch, nicht technisch: Werkzeuge, die kein Feedback aufnahmen, sich nicht an den Arbeitsablauf anpassten und nie tief genug integriert waren, um unter Termindruck genutzt zu werden (berichtet von Forbes).

Deal-Teams haben zusätzlich eine Anforderung, die ein allgemeines KI-Projekt nicht kennt: Das Ergebnis muss belastbar sein. Eine Longlist, die eine ganze Kategorie von Targets übersieht, ist kein kleiner Qualitätsmangel, sondern ein Befund in der Nachbetrachtung des Deals. Damit steigt die Messlatte von nützlich auf prüffest, und prüffest ist der teure Teil.

Eine verwandte Ausprägung dieses Problems beschreibt der Beitrag Warum ChatGPT nicht das richtige Werkzeug für M&A-Longlists ist: Ein allgemeines Modell ohne geprüftes Unternehmensuniversum im Hintergrund liefert plausible Namen, keine vollständige Abdeckung.

Die Kostenblöcke, die im Business Case meist fehlen

Der Compliance-Block wiegt heute schwerer als früher. Wo ein Unternehmen in den Anwendungsbereich fällt, ist Dokumentation eine Daueraufgabe und keine einmalige Übung. Wie das in der Praxis aussieht, zeigt der Beitrag EU AI Act: Compliance für Wirtschaftsprüfungsgesellschaften.

Wann eine Eigenentwicklung sinnvoll ist

Selbst bauen ist in drei Situationen begründbar.

• **Sie besitzen eigene Daten, die Ihnen niemand verkaufen kann.** Zehn Jahre eigene Deal-Historie, Pipeline-Ergebnisse oder operative Daten aus Portfoliounternehmen sind ein echter Vorsprung, und nur Sie können darauf aufbauen.
• **Der Arbeitsablauf ist eigen und strategisch zentral.** Wenn Ihre Sourcing-These auf einem Screening beruht, das sonst niemand fährt, bleibt ein eingekauftes Werkzeug immer eine Näherung.
• **Sie betreiben bereits eine produktive Daten- und ML-Einheit.** Kein Team, das Dashboards baut, sondern eines, das Modelle produktiv ausliefert, überwacht und dafür geradesteht.

Treffen zwei dieser drei Punkte nicht zu, ist die Eigenentwicklung meist der langsamere und teurere Weg zum selben Ergebnis.

Wann der Einkauf die bessere Entscheidung ist

Einkaufen gewinnt, wenn der Engpass Abdeckung und Geschwindigkeit heißt und nicht Differenzierung. Kaum ein Corporate-Development-Team verschafft sich einen Wettbewerbsvorteil dadurch, dass es eine eigene Unternehmensdatenbank betreibt, ebenso wenig wie durch einen eigenen Mailserver. Der Vorsprung entsteht durch die Beurteilung der Ergebnisse.

Der Einkauf zieht außerdem vor, was eine Eigenentwicklung vor sich herschiebt: Datenlizenzen, Entity Resolution und jahrelange Qualitätsarbeit sind bereits bezahlt und verteilen sich über alle Kunden statt über Ihr einzelnes Deal-Team.

Nikolai Üstündağ, Senior Manager bei WTS Advisory, beschreibt es so (Originalzitat auf Englisch):

Because information is available faster and at higher quality, our analyses are more meaningful. Whether it's a longlist or a multiple-based valuation, I can rely on the data foundation and stand behind the results.

Der hybride Weg, auf dem die meisten Teams landen

In der Praxis fällt die Antwort selten absolut aus. Was funktioniert: die Daten- und Analyseebene einkaufen und obendrauf die dünne Schicht bauen, die wirklich spezifisch für Sie ist. Also Exporte in Ihr eigenes CRM oder Pipeline-Modell, Ihr eigenes Scoring auf einer eingekauften Longlist, Ihre eigene Vorlagenlogik auf dem Standard-Output.

So bleibt die teure, nicht differenzierende Arbeit in der Bilanz eines anderen, und Ihr Entwicklungsbudget zeigt auf den Teil, der tatsächlich Ihnen gehört.

Wie Sie eine Plattform vor der Unterschrift prüfen

Wenn Sie einkaufen, ist die vorbereitete Demo der am wenigsten aussagekräftige Teil des Prozesses. Prüfen Sie stattdessen das hier.

1. **Bringen Sie Ihren eigenen Fall mit.** Lassen Sie live an einer Nische rechnen, die Sie gut kennen, nicht am vorbereiteten Beispiel. Sie sehen sofort, ob die Abdeckung jenseits der offensichtlichen Namen trägt.
2. **Schauen Sie auf die Lücken, nicht auf die Treffer.** Fragen Sie, welche Ihnen bekannten Unternehmen nicht ausgegeben wurden und warum. Wer seine Lücken erklären kann, kennt seine Daten.
3. **Fragen Sie, wie Zahlen entstehen.** Alles Finanzielle sollte aus deterministischer Logik kommen, nicht aus einem Sprachmodell, das plausible Werte formuliert.
4. **Fragen Sie, wohin Ihre Daten fließen.** Verarbeitungsort, Isolierung, und ob Ihre Eingaben im Training öffentlicher Modelle landen können.
5. **Fragen Sie nach dem Prüfpfad.** Quellen, Stichtage, Reproduzierbarkeit. Ein Ergebnis, das Sie im nächsten Quartal nicht reproduzieren können, gehört in keine Gremienvorlage.
6. **Achten Sie auf Verlängerungen, nicht auf Logos.** Verlängerungsraten zeigen, ob Teams ein Werkzeug noch nutzen, wenn der Neuigkeitseffekt vorbei ist.

Wo StrategyBridgeAI in dieser Entscheidung steht

StrategyBridgeAI steht auf der Kaufseite dieser Entscheidung und ist so gebaut, dass Deal-Teams die Ebenen 1, 3 und 4 nicht selbst errichten müssen. Die Plattform deckt rund 50 Millionen öffentliche und private Unternehmen in über 100 Ländern ab und vereint vier Dinge in einem Arbeitsablauf: eine globale Unternehmensdatenbank, präzise Longlists, Outside-In-Unternehmensanalyse und Nischen-Marktreports auf Abruf.

Die Architektur folgt genau dem Prüffestigkeitsgedanken von oben. Für rechnerische Aufgaben, etwa die Schätzung von GuV-Daten aus Bilanzangaben oder Unternehmensbewertungen, kommen proprietäre, deterministische Machine-Learning-Modelle zum Einsatz, denn eine Bewertung darf nicht halluzinieren. Sprachmodelle werden dort genutzt, wo Sprache und Semantik das eigentliche Problem sind, etwa bei Nischen-Suchabfragen und Unternehmens-Mappings. Alle Datenprozesse laufen über europäische Serverlandschaften, die Daten werden isoliert verarbeitet, und kein Mandantendatenstrom fließt zurück in das Training öffentlicher Modelle.

Die Entwicklung begann vor über fünf Jahren, lange bevor kommerzielle Sprachmodelle ihren Durchbruch hatten. Im Schnitt liegt die Zeitersparnis bei rund 80%: Analysen, die klassisch 20 bis 120 Stunden gebunden haben, sind in unter fünf Stunden fertig. StrategyBridgeAI wird vom Institut der Wirtschaftsprüfer (IDW) empfohlen, die jährliche Verlängerungsrate liegt bei 97% gegenüber einem B2B-SaaS-Median von 91% (SaaS Capital, 2026).

Die Entscheidung in einer Woche treffen

Make or Buy braucht kein Quartal Analyse. Schreiben Sie den einen Arbeitsablauf auf, der Ihr Team dieses Jahr die meisten Stunden kostet. Klären Sie, ob der Engpass dort Datenabdeckung, Analysegeschwindigkeit oder etwas ist, das nur Sie bauen könnten. Lassen Sie dann denselben realen Fall einmal über eine Plattform und einmal über Ihr Team laufen und vergleichen Sie das Ergebnis, nicht den Aufwand.

Wenn die Plattform schneller zu einer belastbaren Antwort führt, kaufen Sie sie ein und stecken Ihr Entwicklungsbudget in den Teil, den Ihnen niemand verkaufen kann.

Am schnellsten prüfen Sie die Kaufseite an Ihrem eigenen Fall. Demo buchen und eine Nische mitbringen, bei der Sie die richtige Antwort bereits kennen.