Warum ChatGPT nicht das richtige Werkzeug für M&A-Longlists ist

Viele Deal-Teams experimentieren mit universellen KI-Tools wie ChatGPT, Claude oder Grok, um die Longlist-Erstellung zu beschleunigen. Auf den ersten Blick klingt die Idee sinnvoll: Longlist-Recherche ist zeitintensiv, und LLMs sind schnell. Doch die Ergebnisse enttäuschen meist, und die Gründe dafür sind struktureller Natur – sie lassen sich nicht mit einem besseren Prompt beheben.

Hier ist, worin das Problem tatsächlich besteht und wie ein zweckgebauter Ansatz aussieht.

Kein Zugriff auf die Daten, die im M&A entscheidend sind

M&A-Analysen beruhen auf verifizierten, strukturierten Daten: Handelsregistereinträgen, Bilanzen, Eigentümerstrukturen, Transaktionshistorien. Universelle LLMs haben auf all das keinen Zugriff. Sie greifen auf oberflächliche Webinhalte zurück, was bedeutet, dass ihre Ergebnisse stark davon geprägt sind, welche Unternehmen gute SEO und aktives Marketing betreiben – und nicht davon, welche Unternehmen für eine Transaktion tatsächlich relevant sind.

Konkret fehlt Folgendes:

• Registerdaten: Ereignisse wie Kapitalerhöhungen, Wechsel in der Geschäftsführung oder Insolvenzanmeldungen werden nicht erfasst
• Finanzkennzahlen (KPIs): Umsatz, EBIT und Mitarbeiterzahl lassen sich nicht zuverlässig filtern
• Eigentümerdaten: Gesellschafterstruktur, Alter der Eigentümer, institutionelle Beteiligung und Nachfolgeindikatoren bleiben unsichtbar

Genau das sind die Signale, die bei der Identifikation von Targets oder Käufern im Mid-Market am wichtigsten sind.

Hidden Gems bleiben verborgen

Zu den attraktivsten M&A-Targets zählen häufig Mid-Market-Unternehmen mit geringer oder gar keiner Online-Präsenz. Keine SEO-Strategie, manchmal überhaupt keine Website. Sie sind profitabel, halten oft starke Nischenpositionen und sind genau die Art von Unternehmen, die nicht auftaucht, wenn ein LLM das Web durchsucht.

Universelle Tools bringen systematisch die Unternehmen ans Licht, die ohnehin bekannt und sichtbar sind. Das erzeugt blinde Flecken auf der Buy-Side und lässt relevante Käufer auf der Sell-Side übersehen – insbesondere im Small-Cap-Segment, in dem die interessantesten Gegenparteien oft die am wenigsten prominenten sind.

Halluzinationen sind bei der M&A-Arbeit ein reales Risiko

LLMs erfinden Dinge. Unternehmensnamen, Umsatzzahlen, Eigentümerdetails, Branchenklassifizierungen: All das kann mit voller Überzeugung generiert werden und dabei völlig falsch sein. In einem Deal-Prozess, in dem faktische Genauigkeit nicht verhandelbar ist und Ergebnisse Investmentkomitees vorgelegt werden, ist das kein Risiko, das man im Nachhinein akzeptieren kann.

Jedes Tool, das in der M&A-Longlist-Arbeit eingesetzt wird, muss aus verifizierten Quellen schöpfen und Lücken ausdrücklich kennzeichnen – statt sie mit plausibel klingender Fiktion zu füllen.

Filter müssen deterministisch sein, nicht ungefähr

Eine professionelle Longlist erfordert harte Filter: Umsatz oberhalb einer bestimmten Schwelle, Mitarbeiterzahl innerhalb einer definierten Spanne, bestimmte Eigentümertypen, geografischer Fokus, Transaktionshistorie. LLMs behandeln diese Kriterien als qualitative Vorschläge innerhalb eines Prompts, nicht als deterministische Regeln. Das Ergebnis ist eine Liste, die die Absicht grob widerspiegelt, aber nicht als sauberer, gefilterter Datensatz verlässlich ist.

Für die Buy-Side- oder Sell-Side-Arbeit ist dieser Mangel an Präzision bei jedem nachgelagerten Schritt ein Problem.

Datenschutz darf kein nachträglicher Gedanke sein

Das Hochladen deal-sensibler Informationen in ein generisches KI-Tool wirft reale Compliance-Fragen auf. Wo werden die Daten verarbeitet? Werden sie für das Modelltraining verwendet? Wer hat Zugriff? Für Fachleute, die mit vertraulichen Mandatsdaten umgehen, sind das keine hypothetischen Bedenken.

Spezialisierte Tools, die für den M&A-Kontext entwickelt wurden, arbeiten auf europäischen Servern, wenden eine strikte Datentrennung an und liefern eine klare Dokumentation darüber, wie Daten behandelt werden. Das ist die Grundvoraussetzung für alles, was in einem regulierten professionellen Umfeld eingesetzt wird.

Wie ein zweckgebauter Ansatz aussieht

StrategyBridgeAI ist speziell für die analytischen Anforderungen von M&A, Corporate Finance und Banking entwickelt. Die Plattform bietet Zugriff auf rund 50 Millionen private und börsennotierte Unternehmen in mehr als 100 Ländern und verbindet Finanzkennzahlen, Eigentümerstrukturen, qualitative Unternehmensdaten, Transaktionen und Kontaktinformationen in einem einzigen Workflow.

Die Suche erfolgt über eine semantische Chat-Oberfläche: Beschreiben Sie das Geschäftsmodell, die Marktlogik, die Größe oder den Eigentümertyp, den Sie suchen, und die Plattform findet passende Unternehmen – einschließlich Nischenanbieter und privater Unternehmen, die in klassischen Datenbankfiltern nie auftauchen. Eine harte Filterlogik steht neben der semantischen Suche und ermöglicht es Teams, nach Finanzkennzahlen (KPIs), Eigentümertyp, Branche, Geografie und Transaktionshistorie zu screenen. Die Ergebnisse lassen sich mit allen relevanten Feldern direkt nach Excel exportieren.

Der Unterschied zeigt sich in der Praxis schnell.

"Beim Longlisting holen wir den größten Mehrwert heraus. Wir arbeiten jetzt systematisch statt subjektiv – und deutlich schneller."
Dr. Dirk Pramann, Mition Mittelstandsbeteiligungen

"Für Longlists haben wir früher zwei oder drei Wochen gebraucht. Jetzt schaffen wir das in zwei oder drei Nachmittagen. Bei mehreren Bewertungen liegen wir bei 85 bis 90 Prozent Zeitersparnis."
Nikolai Üstündag, WTS Advisory

Erfahren Sie mehr darüber, wie Kunden die Plattform nutzen: WTS Advisory Kundenstory und Mition Kundenstory.

Fordern Sie 30 potenzielle Targets für Ihr Suchfeld an oder buchen Sie eine Demo, um die Plattform in der Praxis zu erleben.