Warum AI-Deal-Sourcing-Content 2026 an der Realität vorbeigeht
Wer heute nach „M&A Deal Sourcing KI" sucht, findet acht von acht Top-Ergebnissen von Tool-Anbietern oder AI-Plattformen. Alle verkaufen dasselbe: eine 10-fache Beschleunigung, ein besseres Screening, mehr Deals. Kein einziger Beitrag diskutiert die Vorbedingung, ohne die nichts davon funktioniert: die Datenqualität. Das ist kein Zufall. Wer Software verkauft, verdient an Lizenzen, nicht an der mühsamen Datenpflege. Also wird der Garbage-in-Layer systematisch ausgeblendet.
Meine These ist einfach: Ein LLM-Agent ohne kuratierte, strukturierte Unternehmensdatenbank erzeugt teures Rauschen. Nicht weniger Arbeit, sondern mehr. Er produziert plausible Vorschläge, die bei näherer Prüfung zusammenbrechen. Er kostet Zeit im Deal-Team, weil falsche Comparables oder erfundene Kennzahlen erst auffallen, wenn jemand sie gegen echte Daten prüft. Und er kostet Vertrauen, weil zwei falsche Empfehlungen genügen, um das Tool intern zu begraben.
Ich halte das für den zentralen blinden Fleck des aktuellen Hypes. Die Diskussion dreht sich um Modelle, Agenten-Frameworks und Prompt-Engineering. Die harte Arbeit liegt woanders: in der Datenbeschaffung, der Normalisierung und der laufenden Pflege. Wer diese Arbeit scheut, wird auch mit dem besten Sprachmodell kein besseres Deal-Sourcing haben.
Nehmen Sie ein typisches Szenario. Ein PE-Fonds kauft eine AI-Plattform für Deal-Sourcing. Die Plattform verspricht, aus dem gesamten Web Zielunternehmen zu finden. Nach drei Monaten hat das Team 40 „hochrelevante" Treffer. Bei der manuellen Prüfung stellt sich heraus: Fünf Unternehmen existieren nicht mehr, acht haben ihre Zahlen seit 2019 nicht veröffentlicht, zwölf gehören zu einem völlig anderen Geschäftsmodell. Übrig bleiben vielleicht zehn brauchbare Kandidaten. Die Zeit für die Nachprüfung war höher als eine simple Datenbankabfrage gedauert hätte. Das ist keine Ausnahme, das ist die Regel bei ungepflegten Daten.
Die SERP-Analyse bestätigt das. Die acht Top-Ergebnisse kommen von Vendoren, die AI als 10x-Beschleuniger beim Sourcing verkaufen. Die Datenbasis wird als gegeben vorausgesetzt. Prozess-Automatisierung wird als „continuous learning system" geframt, ohne die Frage nach Datenqualität und Herkunft zu stellen. Use-Case-Kataloge listen Anwendungsfälle additiv auf, ohne Priorisierung nach Datenreife. Das ist Verkaufsliteratur, keine Beratung.
Was LLM-Agenten im Deal-Sourcing wirklich leisten: Stärken und Grenzen
LLM-Agenten haben echte Stärken. Dokumentenextraktion aus CIMs, Teaser-Parsing, Screening-Hypothesen, Zusammenfassungen. Ein LLM kann aus 50 Teasern in wenigen Minuten Umsatz, EBITDA, Branche und Transaktionsstruktur extrahieren. Das spart Zeit, wenn die Dokumente sauber gescannt und gut strukturiert sind. Auch die Erstellung von Screening-Hypothesen funktioniert: Der Agent formuliert aus einer Anlagestrategie Kriterien und schlägt passende Zielprofile vor. Und Zusammenfassungen von CIMs sind brauchbar, solange die Zahlen nicht neu berechnet werden müssen.
Aber es gibt systematische Grenzen. Peer-Group-Bildung, Bewertungs-Plausibilisierung, Multiples ohne verifizierte Finanzdaten. Hier wird es gefährlich. Ein LLM hat kein finanzielles Verständnis. Es berechnet Wahrscheinlichkeiten über Tokenfolgen. Wenn ein Agent aus dem freien Web Comparable-Unternehmen zusammensucht, verlässt er sich auf Pressemitteilungen, Branchenlisten und alte Finanzdaten. Das Ergebnis sind Peers, die auf dem Papier ähnlich klingen, aber operativ nicht vergleichbar sind.
Ein konkretes Versagensmuster aus der Praxis: Ein Agent schlägt für einen Nischen-Softwareanbieter mit 5 Millionen Umsatz einen SaaS-Konzern mit 500 Millionen Umsatz als Peer vor, weil beide „Cloud-Software" machen. Der Multiple ist wertlos. Oder der Agent gruppiert einen Zulieferer für Automotive mit einem Zulieferer für Landmaschinen, weil beide „Metallverarbeitung" im Text haben. Die wirtschaftliche Substanz ist völlig unterschiedlich.
Noch kritischer wird es bei Finanzkennzahlen. Ein LLM extrahiert aus einem CIM ein bereinigtes EBITDA, erkennt aber nicht zuverlässig, dass es sich um eine „adjusted" oder „normalized" Zahl handelt. Es übernimmt die Zahl als Fakt. Die Bewertung wird systematisch zu hoch. Das ist kein lauter Fehler, sondern ein stiller. Er fällt erst in der Due Diligence auf, wenn es teuer ist.
Die Faustregel lautet deshalb: LLM-Agenten verstärken vorhandene Datenqualität, sie erzeugen sie nicht. Wenn Ihre interne Unternehmensdatenbank sauber ist, macht der Agent Sie schneller. Wenn sie schmutzig ist, macht er Sie nur schneller fehlerhaft.
Ein häufiges Muster: Ein Deal-Team nutzt einen LLM-Agenten mit Web-Scraping. Der Agent nennt fünf „vergleichbare" Unternehmen. Zwei davon existieren nicht mehr, eines hat seine Zahlen zuletzt 2019 veröffentlicht, eines gehört zu einem völlig anderen Geschäftsmodell. Das Team erstellt daraus Bewertungsindikationen. Erst im Gespräch mit dem Eigentümer fliegt der Fehler auf. Der Schaden: Zeit, Reputation, möglicherweise eine verlorene Deal-Chance.
Die Private-Equity-Datenpipeline als eigentlicher Hebel
Eine funktionierende Deal-Sourcing-Infrastruktur besteht aus drei Schichten: Rohdaten, Normalisierung, Agenten-Layer. Die Rohdaten kommen aus Handelsregistern, Jahresabschlüssen, Deal-Tombstones, Pressearchiven und internen CRM-Notizen. Normalisierung bedeutet: Firmennamen vereinheitlichen, Branchencodes zuordnen, Finanzkennzahlen in eine vergleichbare Struktur bringen, Eigentümerverhältnisse verknüpfen. Erst dann kommt der Agenten-Layer, der auf dieser Datenbank Fragen beantwortet, Screens erstellt und Hypothesen testet.
Warum braucht jede Boutique oder jeder PE-Fonds eine eigene strukturierte Unternehmensdatenbank? Weil die öffentlichen Quellen fragmentiert, uneinheitlich und oft veraltet sind. Ein LLM, das direkt auf das freie Web zugreift, kann diese Lücken nicht schließen. Es interpoliert, und genau dort entstehen Halluzinationen. Eine eigene Datenbank ist die einzige Möglichkeit, Datenherkunft, Aktualität und Qualität zu kontrollieren. Sie ist die Basis für belastbare Aussagen.
Die Kostenrealität wird im Markt regelmäßig falsch priorisiert. Die LLM-API-Kosten für ein Screening von 500 Zielunternehmen liegen im niedrigen zweistelligen Eurobereich pro Monat. Die Beschaffung und Pflege guter Unternehmensdaten kostet ein Vielfaches: Handelsregisterauszüge, Datenbanklizenzen, manuelle Nachpflege, Qualitätssicherung. Trotzdem investieren viele zuerst in teure AI-Tools und sparen bei der Datenbasis. Das ist, als würde man einen Rennwagen kaufen und die Reifen aus dem Müll holen.
Governance ist kein optionales Extra. Für spätere Due Diligence, für regulatorische Anfragen und für interne Audits müssen Sie nachweisen können, woher eine Zahl stammt, wann sie erhoben wurde und wer sie geändert hat. DORA und der EU AI Act erhöhen den Druck. Ohne Versionierung und Audit-Trail ist Ihre Datenpipeline ein Risiko, kein Asset.
Beispielhaft: Ein PE-Fonds mit 50 Zielunternehmen im CRM, aber Finanzdaten von 2021. Der Agent liefert auf dieser Basis einen Screen. Alle Kennzahlen sind veraltet. Der Fonds verschwendet zwei Wochen mit der Nachrecherche. Hätte der Fonds die Datenbank regelmäßig gepflegt, wäre der Screen sofort belastbar gewesen.
Für DACH sind die Rohdatenquellen klar: Firmenbuch und Handelsregister, Creditreform, Dun & Bradstreet, S&P Capital IQ, Bundesanzeiger. Die Normalisierung ist Handarbeit. Firmennamen müssen gematcht werden, gerade bei GmbH & Co. KG, bei Umfirmierungen und bei Konzernstrukturen. Branchencodes müssen manuell vergeben werden, weil automatische Zuordnungen oft falsch liegen. Diese Arbeit macht niemand gern. Aber sie ist der Unterschied zwischen einer Datenbank und einer Datensammlung.
Praktischer Bauplan für DACH-M&A-Boutiquen und PE-Einsteiger
Phase 1: Interne Zielunternehmens-Datenbank aufbauen. Beginnen Sie mit dem, was Sie schon haben: CRM-Einträge, Deal-Historie, Excel-Listen, alte Teaser. Ergänzen Sie systematisch Handelsregisterdaten, Jahresabschlüsse, Branchencodes, Gesellschafterstrukturen. Ziel ist eine Tabelle pro Zielunternehmen, die mindestens diese Felder enthält: rechtlicher Name, Handelsregisternummer, Branche, Umsatz, EBITDA, Mitarbeiterzahl, Eigentümer, letzte Bilanz, bekannte Transaktionen. Für 50 bis 200 Zielunternehmen ist das ein Projekt von drei bis sechs Monaten, wenn eine Person das konsequent macht. Kosten: vor allem Arbeitszeit, dazu moderate Datenbanklizenzen.
Phase 2: LLM-Agenten nur auf kuratiertem Korpus laufen lassen. RAG statt freies Web. Das heißt: Der Agent bekommt Zugriff auf Ihre Datenbank, nicht auf das offene Internet. Sie können das mit kommerziellen Tools oder mit einem schlanken Eigenbau umsetzen. Wichtig ist, dass der Agent Quellen angibt und bei fehlenden Daten nicht rät. Technisch ist das heute kein Hexenwerk. Die Disziplin liegt darin, den freien Webzugriff abzuschalten, auch wenn es bequem wäre.
Phase 3: Screening-Output menschlich validieren, bevor das Deal-Team kontaktiert. Jede Agenten-Empfehlung ist eine Hypothese. Ein Analyst prüft die vorgeschlagenen Unternehmen gegen die Primärquellen in der Datenbank. Erst wenn Name, Kennzahlen und Vergleichbarkeit bestätigt sind, geht der Kontakt raus. Das kostet pro Treffer vielleicht 15 Minuten. Es verhindert, dass Sie sich vor einem Eigentümer blamieren.
Tool-Auswahl: Wann sind Comparables.ai und ähnliche Anbieter sinnvoll? Wenn Sie keine eigene Datenbank haben und schnell einen Marktüberblick brauchen, können solche Tools als externe Quelle dienen. Aber behandeln Sie deren Output wie Web-Scraping: ungeprüft, nicht Ihre Datenhoheit. Sobald Sie eine eigene Pipeline haben, sind viele dieser Tools überflüssig oder nur noch ergänzend. Eigenbau lohnt sich, wenn Sie regelmäßig dealen und Ihre Datenbank als Wettbewerbsvorteil aufbauen wollen. Die laufenden Kosten für einen schlanken RAG-Agenten auf eigener Datenbasis liegen oft unter 200 Euro pro Monat. Die teure Komponente bleibt die Datenpflege, nicht das Modell.
Konkrete Empfehlung für Phase 1: Starten Sie mit 50 Zielunternehmen. Pflegen Sie wöchentlich fünf neue. Nach einem halben Jahr haben Sie eine belastbare Basis. Nutzen Sie für den Start ein einfaches CRM wie Pipedrive oder HubSpot. Wenn die Datenbank wächst, wechseln Sie auf eine relationale Datenbank wie PostgreSQL. Wichtig ist nicht die Technologie, sondern die Disziplin.
Für Phase 2 gilt: Wählen Sie ein RAG-Framework Ihrer Wahl. Achten Sie auf Zugriffsrechte, API-Schlüssel und Datensparsamkeit. Keine Unternehmensdaten verlassen das Haus. Der Agent läuft auf Ihrer Infrastruktur oder in einer Private Cloud. Die Qualität der Antworten hängt zu 90 Prozent von Ihrer Datenbank ab, nicht vom Modell.
Phase 3 ist ein Kulturthema. Kein Agenten-Output geht ungeprüft raus. Das ist keine Misstrauenserklärung, sondern professionelle Sorgfalt. In der M&A-Welt kostet ein falscher Anruf bei einem Eigentümer mehr als 15 Minuten Prüfung.
Fazit: Ehrliche Grenzziehung statt Hype
LLM-Agenten sind Beschleuniger. Sie ersetzen weder Deal-Erfahrung noch Dateninfrastruktur. Wer das versteht, kann sie gewinnbringend einsetzen. Wer das ignoriert, bezahlt für teures Rauschen.
Der Wettbewerbsvorteil im M&A-Deal-Sourcing liegt 2026 nicht im Modell. Die Modelle sind austauschbar und billig. Der Vorteil liegt in einer kuratierten, strukturierten Unternehmensdatenbank, die sauber gepflegt ist und auf die ein Agent kontrolliert zugreifen kann. Diese Erkenntnis ist unbequem, weil sie Arbeit bedeutet. Aber sie ist die einzige, die langfristig trägt.
Mein Rat: Machen Sie vor jedem AI-Deal-Sourcing-Projekt ein Datenreife-Audit. Prüfen Sie, welche Zielunternehmen Sie erfasst haben, wie aktuell die Finanzdaten sind, ob Branchencodes stimmen, ob Eigentümerverhältnisse dokumentiert sind. Wenn diese Basis nicht steht, kaufen Sie kein AI-Tool. Bauen Sie zuerst die Datenbank. Danach wird der LLM-Agent zum echten Hebel.
Wer jetzt in Daten investiert, profitiert in zwei Jahren von besseren Agenten. Wer jetzt nur in Modelle investiert, wird in zwei Jahren immer noch über Datenqualität klagen. Die Reihenfolge entscheidet.