KI-Investments bewerten: Ein Due-Diligence-Framework für VC und PE

KI-Investments bewerten: Ein Due-Diligence-Framework für Venture Capital und Private Equity

Von Dirk Röthig | CEO, VERDANTIS Impact Capital | 14. März 2026

258,7 Milliarden Dollar flossen 2025 in KI-Unternehmen — mehr als 61 Prozent aller weltweiten Venture-Capital-Investitionen. Gleichzeitig scheitern 85 Prozent aller KI-Startups innerhalb von drei Jahren. Für Investoren war die Fähigkeit, Signal von Rauschen zu trennen, noch nie so entscheidend wie heute. Dieses Framework zeigt, wie es geht.

Tags: KI, Venture Capital, Private Equity, Due Diligence

---

Das Paradox des KI-Investmentmarktes

Der KI-Investmentmarkt befindet sich in einem bemerkenswerten Spannungsfeld. Einerseits hat kein Technologiesegment jemals schneller Kapital angezogen: Die OECD dokumentiert einen Anstieg der jährlichen VC-Investments in KI-Firmen von 8,3 Milliarden Dollar im Jahr 2012 auf 258,7 Milliarden Dollar im Jahr 2025 — ein Dreißigfaches in dreizehn Jahren (OECD, 2026). Andererseits warnen erfahrene Marktbeobachter vor einer besorgniserregenden Konzentration: 73 Prozent des gesamten KI-Investitionsvolumens entfallen auf Mega-Deals, und allein Deals über einer Milliarde Dollar machen etwa die Hälfte des Gesamtvolumens aus (OECD, 2026).

Für Limited Partners, die in VC- und PE-Fonds investieren, und für General Partners, die Portfolioentscheidungen treffen, stellt sich eine fundamentale Frage: Wie lassen sich KI-Investments jenseits des Hypes systematisch bewerten? Die üblichen Metriken greifen oft zu kurz. Ein SaaS-Bewertungsmodell auf ein KI-Startup anzuwenden, ist wie einen Verbrennungsmotor mit den Maßstäben eines Elektroantriebs zu messen — die relevanten Leistungsparameter sind andere.

Das DRIVE-Framework: Fünf Dimensionen der KI-Investmentbewertung

Aus der Analyse Dutzender erfolgreicher und gescheiterter KI-Investments lässt sich ein strukturiertes Bewertungsframework ableiten, das fünf Dimensionen umfasst: Data Moat, Revenue Durability, Implementation Depth, Valuation Discipline und Exit Viability. Jede Dimension adressiert eine spezifische Risikokategorie, die bei KI-Investments besonders kritisch ist.

Dimension 1: Data Moat — Der proprietäre Datengraben

Der stärkste Indikator für einen verteidigungsfähigen Wettbewerbsvorteil bei KI-Unternehmen ist ein funktionierender Daten-Flywheel-Effekt. FE International formuliert es präzise: Ein verteidigungsfähiger Datengraben besteht nicht darin, Daten zu besitzen — sondern darin, Daten zu besitzen, die die Modellperformance messbar verbessern und die Wettbewerber nicht replizieren können (FE International, 2026).

Was Investoren prüfen sollten:

• Proprietäre Trainingsdaten: Woher stammen die Daten? Sind sie exklusiv lizenziert, selbst generiert oder frei verfügbar? Wenn Wettbewerber dieselben öffentlichen Datensätze nutzen können, existiert kein Datengraben.
• Flywheel-Mechanik: Verbessert sich das Modell mit jeder Kundeninteraktion? Ein funktionierender Flywheel bedeutet, dass der Vorsprung mit der Zeit exponentiell wächst — nicht linear.
• Datenqualität vs. Datenvolumen: Qubit Capital betont, dass 85 Prozent aller KI-Projekte an mangelhafter Datenqualität scheitern, nicht an fehlendem Datenvolumen (Qubit Capital, 2026). Die Due Diligence muss daher Datenqualitätsprozesse ebenso prüfen wie Datenmengen.

Ein Praxisbeispiel: Upstart, der KI-gestützte Kreditvergeber, nutzt über 1.600 Variablen für seine Bonitätsbewertung — Daten, die kein Wettbewerber in derselben Kombination und Tiefe besitzt. Jeder vergebene Kredit verbessert das Modell weiter. Das ist ein klassischer Datengraben mit kompoundierendem Effekt.

Dimension 2: Revenue Durability — Umsatzhaltbarkeit statt Wachstumsrate

KI-Startups können spektakuläre Wachstumsraten vorweisen — Bain Capital Ventures dokumentiert, dass Best-in-Class-Enterprise-KI-Startups innerhalb von zwölf Monaten über zwei Millionen Dollar ARR erreichen (Bain Capital Ventures, 2025). Doch Wachstum allein sagt wenig über die Nachhaltigkeit des Geschäftsmodells aus.

Kritische Kennzahlen für die Umsatzbewertung:

• Net Revenue Retention (NRR): Wie viel Umsatz behalten bestehende Kunden Jahr für Jahr? Ein NRR über 120 Prozent signalisiert starke Expansion innerhalb der Kundenbasis — ein Frühindikator für Produktmarktfit.
• Gross Margin Architecture: KI-Unternehmen haben häufig höhere Compute-Kosten als klassische SaaS-Anbieter. Wenn GPU-Inferenzkosten 40 bis 60 Prozent des Umsatzes auffressen, sind die scheinbar hohen Bewertungsmultiples nicht nachhaltig. ValuStrat empfiehlt, Bruttomarge und Compute-Intensität gemeinsam zu analysieren (ValuStrat, 2026).
• Switching Costs durch Workflow-Integration: Livmo argumentiert überzeugend, dass KI, die tief in tägliche Entscheidungsprozesse eingebettet ist, fundamentale Wechselkosten erzeugt — im Gegensatz zu KI-Tools, die als optionale Erweiterung am Rand eines Workflows sitzen (Livmo, 2026). Ein Copilot in einer Sidebar ist nicht dasselbe wie KI, die in den Kernprozess integriert ist.

Dimension 3: Implementation Depth — Technische Tiefe und Architekturqualität

Die technische Due Diligence bei KI-Investments unterscheidet sich fundamental von der klassischen Software-Prüfung. Es geht nicht nur um Code-Qualität, sondern um die Architektur des gesamten KI-Systems — von der Datenpipeline über das Modelltraining bis zur Inferenz-Infrastruktur.

Red Flags in der technischen Bewertung:

• API-Wrapper-Risiko: Baut das Unternehmen auf einer dünnen Schicht über GPT-4, Claude oder einem anderen Foundation Model auf? Wenn ja, kann OpenAI oder Anthropic dieselbe Funktionalität jederzeit als Feature integrieren — ein existenzielles Plattformrisiko. Die CFA Institute warnt explizit vor dem „thin wrapper"-Problem in der KI-Bewertung (CFA Institute, 2025).
• Technische Schulden: 73 Prozent aller KI- und Big-Data-Systeme erfüllen nicht einmal grundlegende Standards der Build Quality. Die Due Diligence muss die Modell-Versionierung, die Reproduzierbarkeit von Trainingsprozessen und die Skalierbarkeit der Infrastruktur prüfen.
• Modell-Ownership: Wer besitzt die trainierten Modelle? Sind Trainingsgewichte proprietär? Können Modelle ohne Zugang zu den ursprünglichen Trainingsdaten aktualisiert werden? Diese Fragen sind bei KI-Unternehmen so fundamental wie die IP-Prüfung bei klassischen Tech-Investments.

Third Bridge empfiehlt einen systematischen Tech-Due-Diligence-Workflow, der die gesamte KI-Architektur in sieben Kategorien bewertet: Dateninfrastruktur, Modellentwicklung, Deployment-Pipeline, Monitoring, Skalierbarkeit, Sicherheit und regulatorische Compliance (Third Bridge, 2026).

Dimension 4: Valuation Discipline — Bewertungsdisziplin in einem überhitzten Markt

Die Bewertungsmultiples für KI-Unternehmen haben ein Niveau erreicht, das historisch beispiellos ist. In Late-Stage-Runden liegen die medianen Revenue-Multiples bei 25,8x — ein deutlicher Aufschlag gegenüber traditioneller SaaS-Software (Qubit Capital, 2026). Die Bandbreite reicht von 10x bis 50x, wobei die Mediane typischerweise im Bereich von 20x bis 30x liegen.

Bewertungsfallen, die Investoren vermeiden müssen:

• Die „AI Premium"-Illusion: Finro Financial Consulting beobachtet, dass Investoren zunehmend Struktur über Story stellen — Retention, Verteidigungsfähigkeit und effiziente Skalierung werden höher bewertet als narrative Versprechen über zukünftige KI-Fähigkeiten (Finro, 2025). Ein 30x-Multiple ist nur gerechtfertigt, wenn die Unit Economics es hergeben.
• Mega-Deal-Konzentration: Die OECD-Daten zeigen, dass sich der KI-Investmentmarkt zunehmend konzentriert. Für Investoren abseits der Mega-Runden bedeutet das: Die Due Diligence muss umso gründlicher sein, weil weniger Kapital für Korrekturen zur Verfügung steht.
• Geografische Bewertungsasymmetrien: US-Firmen ziehen 75 Prozent (194 Milliarden Dollar) des globalen KI-Venture-Capitals an. Die EU27 kommt auf sechs Prozent (15,8 Milliarden Dollar), China auf fünf Prozent (OECD, 2026). Europäische KI-Startups werden daher oft mit einem Abschlag bewertet — was für europäische Investoren eine Chance darstellen kann, wenn die Technologie gleichwertig ist.

Dimension 5: Exit Viability — Tragfähigkeit der Exit-Strategie

Die beste Technologie und die stärksten Wachstumszahlen nützen wenig, wenn kein realistischer Exit-Pfad existiert. Für KI-Investments sind die Exit-Optionen vielfältiger als bei klassischer Software — aber auch komplexer.

Exit-Szenarien und ihre Bewertung:

• Trade Sale an Tech-Majors: Der häufigste Exit-Pfad. Aber Achtung: Die zunehmende regulatorische Kontrolle von KI-Akquisitionen durch Big Tech, insbesondere nach den FTC-Untersuchungen zu Microsoft/OpenAI und Google/Anthropic, kann diesen Weg erschweren.
• IPO-Readiness: Nur KI-Unternehmen mit nachgewiesener Profitabilität oder klarem Pfad dorthin erreichen in der aktuellen Marktphase erfolgreiche Börsengänge. Die Zeiten, in der Vision allein für einen IPO reichte, sind vorbei.
• PE-Buyout: Private Equity setzt zunehmend auf KI als Werthebel für Portfoliounternehmen. CLA Connect prognostiziert, dass verantwortungsvolle KI-Frameworks mit Abdeckung von Bias, Transparenz und Governance bis 2026 zur nicht verhandelbaren Voraussetzung für PE-Transaktionen werden (CLA Connect, 2026).

VC versus PE: Unterschiedliche Bewertungslogiken

Venture Capital und Private Equity nähern sich KI-Investments aus fundamental verschiedenen Perspektiven — ein Punkt, der in der aktuellen Diskussion oft untergeht.

Venture Capital bewertet primär das Potenzial: Wie groß ist der adressierbare Markt? Funktioniert der Daten-Flywheel? Ist das Team in der Lage, die Vision umzusetzen? Die Risikobereitschaft ist hoch, die Erwartung an unmittelbare Profitabilität gering. Seed-Runden finanzieren Proof-of-Concept und Modellentwicklung, Early-Stage-Runden die Produktisierung und Kundengewinnung (OECD, 2026).

Private Equity bewertet primär den Hebel: Kann KI den EBITDA eines Portfoliounternehmens steigern? Empirische Daten zeigen EBITDA-Steigerungen von fünf bis 25 Prozent in Branchen, in denen KI-Tools eingesetzt werden. Jeder investierte Dollar in effektive KI-Transformation kann eine annualisierte EBITDA-Steigerung von zwei- bis vierfach liefern (Valere, 2026). Allerdings scheitern 95 Prozent der KI-Projekte in Portfoliounternehmen daran, tatsächlichen EBITDA-Impact zu liefern — die Implementierungslücke zwischen Strategie und Umsetzung bleibt die größte Herausforderung (PE Professional, 2026).

EY beobachtet, dass KI sich als dritte Säule der Wertsteigerung neben Financial Engineering und operativer Exzellenz etabliert, und zwar über den gesamten Deal-Zyklus hinweg — von Deal Sourcing und Due Diligence bis hin zu Portfolio-Optimierung und Exit-Vorbereitung (EY, 2025).

Die zehn größten Warnsignale bei KI-Investments

Aus der Praxis erfahrener KI-Investoren lassen sich zehn wiederkehrende Red Flags destillieren:

1. Kein proprietärer Datenzugang — das Startup nutzt ausschließlich öffentlich verfügbare Datensätze
2. API-Wrapper ohne eigene Modellentwicklung — keine technologische Differenzierung gegenüber einem Fine-Tuning-Projekt
3. Bruttomarge unter 50 Prozent — Compute-Kosten fressen den Umsatz
4. Kunde-Konzentration über 30 Prozent — ein einzelner Großkunde dominiert die Umsatzbasis
5. Fehlende Modell-Versionierung — Trainingsergebnisse sind nicht reproduzierbar
6. Regulatorische Ignoranz — kein Compliance-Framework für EU AI Act oder Datenschutz
7. Überhöhte Bewertung ohne Unit-Economics-Nachweis — die „Story" ersetzt den Geschäftsplan
8. Hohe Mitarbeiterfluktuation im ML-Team — Signal für kulturelle oder technische Probleme
9. Fehlende Kundenbindung — niedrige Net Revenue Retention trotz hohem Wachstum
10. Unklare IP-Ownership — wer besitzt die trainierten Modelle und Gewichte?

Fazit: Disziplin schlägt Euphorie

Die KI-Investmentlandschaft 2026 ist geprägt von einem Widerspruch: nie dagewesene Kapitalzuflüsse auf der einen Seite, alarmierend hohe Ausfallraten auf der anderen. Man Group schätzt, dass die Bewertungen der fünf größten US-Technologieunternehmen so gestreckt sind wie zuletzt zur Dotcom-Blase (Man Group, 2025). Gleichzeitig sind die fundamentalen Möglichkeiten von KI real und transformativ.

Dirk Röthig beobachtet aus der Perspektive eines Impact-Investors: „Die parallelen Dynamiken von KI und Nachhaltigkeit sind frappierend. In beiden Bereichen sehen wir überhöhte Versprechungen, unreife Geschäftsmodelle und gleichzeitig genuines transformatives Potenzial. Wer als Investor in KI oder in Nature-Based Solutions erfolgreich sein will, braucht dasselbe: ein rigoroses Framework, das Substanz von Narrativ trennt."

Für Venture-Capital- und Private-Equity-Investoren bedeutet das: Die Qualität der Due Diligence entscheidet über den Erfolg der nächsten Dekade. Das DRIVE-Framework bietet einen strukturierten Ansatz, um die fünf kritischsten Dimensionen systematisch zu prüfen. Die Investoren, die diese Disziplin aufbringen, werden von der KI-Welle profitieren. Die anderen werden sie überrollen.

---

Weitere Artikel von Dirk Röthig

• KI-gestützte Due Diligence: Wie Impact-Investoren Greenwashing erkennen — KI als Werkzeug zur Unterscheidung von echtem Impact und Greenwashing
• AI-First Companies: Wie KI-native Firmen ganze Branchen umkrempeln — Warum AI-First-Startups etablierte Konzerne in Gesundheitswesen und Fintech disruptieren
• KI im Mittelstand: ROI richtig berechnen — Sektor-Benchmarks 2026 — Wie der deutsche Mittelstand den Return on AI Investment misst

---

Quellenverzeichnis

1. OECD (2026): Venture Capital Investments in Artificial Intelligence through 2025. OECD Publishing. Verfügbar unter: https://www.oecd.org/en/publications/venture-capital-investments-in-artificial-intelligence-through-2025_a13752f5-en.html
2. Bain Capital Ventures (2025): VC Insights 2025: AI Trends, Startup Growth and 2026 Predictions. Verfügbar unter: https://baincapitalventures.com/insight/vc-insights-2025-ai-trends-startup-growth-and-2026-predictions/
3. CFA Institute (2025): AI in Venture Capital: Separating Signal from Noise. Enterprising Investor Blog. Verfügbar unter: https://blogs.cfainstitute.org/investor/2025/12/10/ai-in-venture-capital-separating-signal-from-noise/
4. FE International (2026): AI Business Valuation Model 2026: Methods, Metrics & Trends for Founders. Verfügbar unter: https://www.feinternational.com/blog/ai-business-valuation-model-2026
5. ValuStrat (2026): Beyond the Hype: The Strategic Financial Metrics That Define AI Startup Valuation in 2026. Medium. Verfügbar unter: https://medium.com/@valustrat/beyond-the-hype-the-strategic-financial-metrics-that-define-ai-startup-valuation-in-2026
6. Qubit Capital (2026): AI Startup Valuation Multiples 2026: Benchmarks & Strategies. Verfügbar unter: https://qubit.capital/blog/ai-startup-valuation-multiples
7. Livmo (2026): AI SaaS Valuation Premium: 1-3x More in 2026. Verfügbar unter: https://livmo.com/blog/ai-impact-saas-valuations-2026/
8. Finro Financial Consulting (2025): AI Startup Valuations Enter a New Phase: Efficiency Defines Value. Verfügbar unter: https://www.finrofca.com/news/ai-startup-valuation-trends-2025
9. Third Bridge (2026): PE Due Diligence with AI: The Complete Workflow (2026 Guide). Verfügbar unter: https://www.thirdbridge.com/en-us/about-us/media/perspectives/ai-due-diligence-private-equity
10. CLA Connect (2026): AI and Private Equity in 2026: 6 Predictions Redefining Value Creation. Verfügbar unter: https://www.claconnect.com/en/resources/blogs/private-equity/ai-and-private-equity-in-2026-6-predictions-redefining-value-creation
11. EY (2025): KI in Private Equity. Verfügbar unter: https://www.ey.com/de_de/insights/strategy-transactions/ki-in-private-equity
12. Valere (2026): The 2026 AI Thesis: Stop Experimenting, Start Expanding EBITDA. Verfügbar unter: https://www.valere.io/2026-ai-private-equity-thesis-ebitda-expansion/
13. PE Professional (2026): The AI Debate Is Missing One Thing: EBITDA. Verfügbar unter: https://peprofessional.com/2026/03/the-ai-debate-is-missing-one-thing-ebitda/
14. Man Group (2025): The AI Bubble: Hidden Risks and Opportunities. Verfügbar unter: https://www.man.com/insights/the-ai-bubble

---

Über den Autor: Dirk Röthig ist CEO von VERDANTIS Impact Capital, einer Impact-Investment-Plattform für Carbon Credits, Agroforestry und Nature-Based Solutions mit Sitz in Zug, Schweiz. Mit Erfahrung in Venture Capital und nachhaltiger Finanzierung analysiert er die Schnittstellen von Technologie, Kapitalallokation und ökologischer Transformation. Kontakt und weitere Artikel: verdantiscapital.com | LinkedIn