Management Summary
Generative KI verändert viele softwarebasierte Geschäftsmodelle gleichzeitig auf mehreren Ebenen. Sie kann Leistungen automatisieren, Entwicklungsaufwände senken, neue Wettbewerber ermöglichen und die Erwartungen von Kunden verändern. Für eine Unternehmensbewertung reicht es deshalb aus unserer Sicht nicht aus, nur zu fragen, ob ein Unternehmen KI einsetzt.
Wir betrachten zwei getrennte Fragen. AI Exposure beschreibt, wie stark KI das bestehende Geschäftsmodell unter Veränderungsdruck setzt. AI Resilience beschreibt, wie gut das Unternehmen darauf vorbereitet ist und ob es KI selbst wirksam und wirtschaftlich nutzen kann.
Mit AI-ER bringen wir beide Perspektiven in eine einheitliche Bewertungslogik. Das Ergebnis ist kein einzelner KI-Risikoscore, sondern ein Unternehmensprofil, das zeigt, wo Veränderungsdruck entsteht, wie gut das Unternehmen darauf reagieren kann und wie belastbar die zugrunde liegenden Informationen sind.
Diese Logik haben wir bereits in unserer AI-ER Implementierung umgesetzt. Sie unterstützt die strukturierte Recherche, die Bewertung der einzelnen Kriterien, die Dokumentation der Evidenz und die Verdichtung zu einem vergleichbaren Unternehmensprofil.
Warum wir AI-ER entwickelt haben
In frühen Screening- und Bewertungsphasen stehen häufig nur öffentliche Informationen zur Verfügung. Trotzdem müssen Investoren, Geschäftsleitungen und Strategieverantwortliche früh einschätzen können, ob KI für ein Unternehmen eher Chance, Veränderungsdruck oder ein substanzielles Risiko bedeutet.
Genau hier setzen wir an. AI-ER soll eine schnelle, nachvollziehbare und über Unternehmen hinweg vergleichbare Ersteinschätzung ermöglichen. Gleichzeitig soll sichtbar bleiben, wo eine Aussage gut belegt ist und wo noch Annahmen oder Informationslücken bestehen.
Wir verstehen AI-ER deshalb nicht als Ersatz für eine Technology Due Diligence oder eine strategische Detailanalyse. Das Verfahren dient vielmehr als strukturierter Einstieg. Es hilft uns, früh die richtigen Fragen zu stellen und die vertiefende Prüfung auf die Themen zu konzentrieren, die für das jeweilige Unternehmen wirklich relevant sind.
Die Grundidee
Wir trennen bewusst zwischen Exposure und Resilienz. Diese Trennung ist wichtig, weil eine hohe Exposure nicht automatisch eine schlechte Ausgangslage bedeutet. Ein Unternehmen kann stark von KI-bedingten Marktveränderungen betroffen sein und zugleich sehr gut darauf vorbereitet sein. Umgekehrt kann ein aktuell wenig exponiertes Unternehmen nur geringe Fähigkeiten besitzen, auf zukünftige Veränderungen zu reagieren.
AI Exposure
Wir untersuchen, wie leicht sich der Kernnutzen eines Angebots durch KI substituieren oder replizieren lässt. Zusätzlich betrachten wir Veränderungen im Wettbewerb, den Druck auf der Kundenseite und die Wirkung des Geschäftsmodells.
AI Resilience
Wir beurteilen Schutzpositionen und Anpassungsfähigkeit des Unternehmens. Hinzu kommen die technische KI-Reife, die Fähigkeit zur Umsetzung und die wirtschaftliche Tragfähigkeit von KI-Aktivitäten.
Die Einzelbewertungen erfolgen auf einer einheitlichen Skala von 1 bis 5. Bei der Verdichtung vermeiden wir bewusst eine reine Durchschnittsbildung. Eine einzelne kritische Schwäche soll nicht durch gute Werte an anderer Stelle verdeckt werden. Umgekehrt berücksichtigen wir, wenn ein Geschäftsmodell über starke Schutzmechanismen verfügt oder wenn technische Fähigkeiten und Umsetzungskraft gemeinsam eine hohe Anpassungsfähigkeit ermöglichen.
Das Ergebnis stellen wir in einem zweidimensionalen Quadranten dar. Dadurch bleibt sichtbar, ob ein Unternehmen vor allem durch seine geringe Exposure geschützt ist, ob es trotz hoher Exposure sehr anpassungsfähig ist oder ob unmittelbarer Handlungsbedarf besteht.
Vereinfachte AI-ER Darstellung eines Unternehmensprofils.
Evidenz ist Teil der Bewertung
Für Managemententscheidungen ist nicht nur wichtig, welches Ergebnis eine Analyse liefert. Ebenso wichtig ist, wie belastbar dieses Ergebnis ist. Eine Bewertung auf Basis mehrerer aktueller Primärquellen hat einen anderen Stellenwert als eine Einschätzung, die überwiegend auf indirekten oder lückenhaften Informationen beruht.
Wir dokumentieren deshalb für jede Bewertung die wesentlichen Belege und Informationslücken. Dabei berücksichtigen wir unter anderem, wie direkt eine Quelle zur jeweiligen Frage passt, wie aktuell sie ist, wie vollständig die Informationslage erscheint und ob unterschiedliche Quellen zu einem konsistenten Bild führen.
In unserer AI-ER Implementierung wird diese Evidenz gemeinsam mit der eigentlichen Bewertung geführt. Dadurch können wir nicht nur einen Score ausweisen, sondern auch zeigen, wie sicher wir uns bei der jeweiligen Einschätzung sind. Das ist besonders wichtig, wenn mehrere Unternehmen miteinander verglichen oder Entscheidungen mit begrenzter Informationsbasis vorbereitet werden.
Outside-In zuerst, Inside-In zur Bestätigung
Der Assessment-Prozess beginnt mit einer Outside-In Analyse. Wir nutzen öffentlich zugängliche Informationen aus Unternehmens- und Produktquellen, Marktinformationen, technischen Dokumentationen, öffentlichen Repositories, Stellenanzeigen und weiteren belastbaren Quellen. Daraus entsteht ein erstes strukturiertes Unternehmensprofil.
Dieses Outside-In Ergebnis verstehen wir als erste Iteration des Assessments. Es enthält nicht nur Bewertungen, sondern auch die dazugehörige Evidenz, offene Fragen und Annahmen. So wird früh sichtbar, welche Aussagen bereits gut abgesichert sind und an welchen Stellen zusätzliche Informationen den größten Erkenntnisgewinn versprechen.
Im anschließenden Inside-In Assessment greifen wir genau dieses Profil wieder auf. Mit Zugang zu internen Unterlagen, Architektur, Technologie, Team, Prozessen und wirtschaftlichen Kennzahlen prüfen wir die bisherigen Einschätzungen. Eine Bewertung kann dadurch bestätigt oder korrigiert werden. Auch wenn der eigentliche Score unverändert bleibt, kann die interne Evidenz die Sicherheit der Aussage deutlich erhöhen.
Das Inside-In Assessment erfolgt als ein zusammenhängender weiterer Lauf. Es ist damit keine zweite, losgelöste Analyse. Es ist die gezielte Validierung und Verfeinerung des bereits vorhandenen Outside-In Profils.
Auch dieser Ablauf ist in unserer AI-ER Implementierung bereits berücksichtigt. Das öffentliche Assessment bildet den Ausgangspunkt. Interne Informationen können anschließend ergänzt und gegen die bisherigen Bewertungen gespiegelt werden. Damit bleibt nachvollziehbar, was bereits von außen erkennbar war und was sich erst durch internen Zugang bestätigt oder verändert hat.
Was Manager mit dem Ergebnis anfangen können
AI-ER liefert aus unserer Sicht vor allem eine gemeinsame Entscheidungsgrundlage für Geschäftsleitung, Investoren und technische Verantwortliche. Das Verfahren macht sichtbar, wo der wirtschaftliche Kern eines Unternehmens durch KI unter Druck geraten kann und ob das Unternehmen über ausreichende Schutz- und Anpassungsfähigkeiten verfügt.
In einer Due Diligence können wir damit früh diejenigen Bereiche identifizieren, die vertieft geprüft werden sollten. In einer Strategiebetrachtung hilft das Profil dabei, konkrete Handlungsfelder zu priorisieren. Beim Vergleich mehrerer Targets entsteht eine gemeinsame Struktur, die Unterschiede transparenter macht als eine rein qualitative Diskussion über allgemeines KI-Risiko.
Der Quadrant ist dabei nur die verdichtete Managementsicht. Für die Entscheidung bleiben die Einzelbewertungen, die Begründungen und die Qualität der Evidenz entscheidend. Zwei Unternehmen können im gleichen Quadranten liegen und dennoch sehr unterschiedliche Stärken, Risiken und Handlungsbedarfe besitzen.
Vertiefung
AI-ER ist ein Bewertungsrahmen und kein Prognosemodell. Die Einschätzung bezieht sich immer auf einen konkreten Zeitpunkt und auf die jeweils verfügbare Evidenz. Neue KI-Fähigkeiten, Wettbewerbsbewegungen oder interne Veränderungen können das Profil verschieben. Gerade deshalb legen wir Wert auf einen wiederholbaren Prozess und auf die nachvollziehbare Verbindung zwischen Bewertung und Belegen.
Die wissenschaftliche Herleitung, die vollständigen Metrikdefinitionen, die Bewertungslogik und den Validierungsansatz beschreiben wir ausführlich in unserem Paper AI Exposure and AI Resilience: A Two-Dimensional Assessment Framework for Software and Software-Based Business Models. Das Paper ist verfügbar unter https://doi.org/10.48550/arXiv.2609.11321.
Für die praktische Anwendung steht unsere AI-ER Implementierung bereits zur Verfügung. Sie überführt die im Paper beschriebene Idee in einen strukturierten Assessment-Prozess und unterstützt sowohl die frühe Outside-In Analyse als auch die anschließende Inside-In Validierung.