Due-Diligence-Automation strukturiert Sammlung, Versionierung, Extraktion, Vergleich, Issue Tracking und Fachreview zur Bewertung eines Unternehmens, Assets, Lieferanten oder einer Geschäftsbeziehung.
Data Rooms enthalten Dokumente mit anderen Perioden, Scopes und Autorität. Dieselbe Kennzahl kann in Board Deck, Vertrag, Policy und Spreadsheet anders definiert sein. Fehlende Evidenz und Widersprüche sind ebenso wichtig wie Vorhandenes. Ein Summary macht das Paket lesbarer und kann genau jene Lücken glätten, die den Entscheid verändern sollten.
Automatisieren Sie Evidenzorganisation und wiederholbare Checks, nicht verantwortliche Materialitätsurteile. Das System trennt Quellfakt, extrahierten Wert, Analystenfinding, Fachschluss und Entscheid. Es macht Unsicherheit sichtbarer und Review fokussierter und erhält die Evidenzspur, die das Resultat erklärt.
Diligence-Modell
Scope und Quellenautorität vor Automation modellieren
Due Diligence ist keine Universalcheckliste. Akquisition, Supplier Onboarding, Investment, Partnerschaft, Technik und Responsible Business prüfen andere Fragen und können anderen Regeln folgen. Definieren Sie den Entscheid und holen Sie passende Rechts-, Finanz-, Steuer-, Security- oder Fachberatung. Automation erzwingt den vereinbarten Prozess, entscheidet aber nicht über das anwendbare Recht.
Bauen Sie ein Modell aus Request, Dokument, Entität, Periode, Autorität, Claim, Finding und Issue. Eine Managementpräsentation ist nützlich, aber nicht gleich einem unterzeichneten Vertrag oder unabhängig bestätigten Record. Eine Policy zeigt Absicht und nicht zwingend operative Wirkung. Erhalten Sie diese Unterschiede, damit Relevanz nicht als Autorität gilt.
| Ebene | Beispiel | Kontrollfrage |
|---|---|---|
| Quellenevidenz | Vertrag, Ledger, Policy, Report oder Interview | Wer erstellte sie, für welchen Scope und Zeitraum? |
| Extrahierter Fakt | Wert, Klausel, Ereignis, Owner oder Praxis | Wo genau ist er belegt? |
| Finding | Lücke, Konflikt, Exposure oder Zustand | Welche Regel oder welcher Vergleich erzeugte es? |
| Schluss | Fachbeurteilung der Bedeutung | Wer besitzt Kompetenz und Autorität? |
| Entscheid | Proceed, Bedingung, Remediation, Preis oder Stop | Welche Fakten und Restrisiken wurden akzeptiert? |
Evidenzbetrieb
Data Room, Fakten und Requests synchron halten
Ein Dokumentregister ist die Wirbelsäule. Identifizieren Sie Dateien, bewahren Sie Originale und erfassen Sie Versionen statt Überschreiben. Verbinden Sie Upload mit Request, Entitäten und Perioden. Ist ein Spreadsheet Schedule eines Reports, erfassen Sie die Beziehung. Fehlende und unlesbare Dokumente sind Zustände und keine leeren Folder.
Extraktion erzeugt Kandidatenfakten und keine Schlüsse. Speichern Sie Fundregion und Original neben Normalisierung. Stimmen Sie wiederholte Fakten mit Definitionen ab. Unterscheidet sich Umsatz wegen Konsolidierung und Einzelentität, erfassen Sie das statt nur ungleiche Zahlen. Reviewer können Klasse, Mapping oder Inferenz ablehnen, bevor Issue-Logik sie nutzt.
- Bewahren Sie Originale und jede materiell geprüfte Version.
- Verbinden Sie Uploads mit Requests, Entitäten, Perioden und Issues.
- Halten Sie Normalisierung reversibel zur Quellform.
- Trennen Sie fehlende Evidenz von Evidenz der Abwesenheit.
- Prüfen Sie schwache Beziehungen vor einem Finding.
Issue Management
Ein Issue braucht Evidenz, Folge, Owner und Abschlusskriterium
Offene Issues müssen lösbar sein. “Finanzen unklar” ist nicht operativ. Nennen Sie Werte, Definitionen, Perioden, Quellen und den betroffenen Entscheid. Weisen Sie Domain Owner und Materialität zu und fordern Sie die kleinste Evidenz zur Lösung. Trennen Sie verwandte Issues, wenn andere Kompetenz nötig ist.
Abschluss bedeutet, dass Evidenz und verantwortlicher Schluss Kriterien erfüllen, nicht ein Klick. Erfassen Sie resolved, mitigated, accepted, in Terms, monitored oder open. Ändert neue Evidenz einen Fakt, öffnen Sie abhängige Issues und informieren Approver. Die Historie zeigt den Reviewweg und nicht nur den letzten Status.
- Formulieren Sie eine genaue Lücke, Inkonsistenz oder Risikoproposition.
- Verbinden Sie jedes Issue mit Quelle und Entscheidkriterium.
- Setzen Sie Fachowner, Termin und nötige Abschlussevidenz.
- Trennen Sie Lösung und Akzeptanz von Restrisiko.
- Übertragen Sie Faktenänderungen in alle Findings und Reports.
AI-Grenze
AI fokussiert Expertise und übernimmt nicht das Urteil
AI kann klassifizieren, Werte und Klauseln extrahieren, Versionen vergleichen, Inkonsistenz zeigen, Request-Coverage vorschlagen und zitierte Summaries vorbereiten. Sie priorisiert nach Fachregeln. Sie soll Compliance, Finanzqualität, technische Tragfähigkeit oder Materialität nicht still entscheiden. Diese Schlüsse verlangen Kontext, Fachstandard und verantwortliche Expertise.
Gestalten Sie gegen Automation Bias. Zeigen Sie Quelle und Alternativen vor Interpretation. Kennzeichnen Sie gefunden, inferiert oder fehlend. Fordern Sie benannte Freigabe für materielle Schlüsse. OECD beschreibt risikobasierte Due Diligence im Responsible-Business-Kontext und ISO 31000 breiteres Risikomanagement; der konkrete Review braucht weiterhin den passenden Rahmen für Zweck und Jurisdiktion.
- Trennen Sie maschinenextrahierten Fakt und vorgeschlagenes Finding.
- Halten Sie Evidenz im Fachreview sichtbar.
- Testen Sie fehlende, widersprüchliche und feindliche Dokumente.
- Begrenzen Sie Modellzugriff nach Reviewer-Rechten.
- Messen Sie Reviewresultat und nicht nur Lesegeschwindigkeit.
Woran gute Arbeit erkennbar ist
Konkrete Ergebnisse für Due-Diligence-Automation
- Scope, Materialitätsregeln, Evidenzrequest und Fachownership sind vor wachsendem Intake explizit.
- Jedes Dokument hat Klasse, Entität, Periode, Version, Autorität und Status in einem Register.
- Extrahierte Claims, Zahlen und Pflichten bleiben mit Passage, Zelle oder Region verbunden.
- Fehlendes, Definitionskonflikte, Widersprüche und Follow-ups werden als Issues gesteuert.
- Fachpersonen prüfen priorisierte Evidenz und Findings mit vollständigem Kontext und Geschichte.
- Der Schlussnachweis trennt bestätigte Fakten, offene Themen, akzeptierte Risiken und Urteil.
Betriebsmodell
So wird die Arbeit ausgeführt
- 01
Scope, Entscheid und Materialität formulieren
Definieren Sie Transaktion, Beziehung oder Entscheid, relevante Entitäten und Perioden, Workstreams und ausgeschlossene Themen. Setzen Sie risikobasierte Materialität mit qualifizierten Ownern. Bauen Sie initialen Evidenzrequest und Zeitplan, bevor Intake eine unbegrenzte Reviewqueue schafft.
- 02
Dokumente und Requests kontrollieren
Registrieren Sie Datei, Link und Antwort mit Quelle, Entität, Periode, Klasse, Version, Vertraulichkeit, Request und Supersession. Erkennen Sie Duplikate ohne Historienlöschung. Markieren Sie unlesbar, unvollständig und referenziert fehlend. Verbinden Sie neue Uploads mit ursprünglichem Request und veränderten Findings.
- 03
Fakten mit Provenienz extrahieren
Identifizieren Sie Werte, Claims, Vertragspflichten, Policies, Ereignisse und Beziehungen mit Seite, Abschnitt, Zelle oder Region. Normalisieren Sie Datum, Währung und Einheit reversibel. Nutzen Sie deterministische Abstimmungen und Domainregeln und markieren Sie schwache oder unbelegte Interpretation.
- 04
Issues eröffnen und lösen
Eröffnen Sie Issues bei fehlender, inkonsistenter, falscher Periode, widersprochener oder materiell unklarer Evidenz. Verlinken Sie Quellen und betroffene Fragen. Routen Sie nach Domain und Materialität, fordern Sie gezielt nach und erfassen Sie Schluss, Bedingungen und Restunsicherheit. Upload schliesst nichts automatisch.
- 05
Berichten, entscheiden und sichern
Erzeugen Sie Entscheiddokumente aus freigegebenen Findings statt Raw Summaries. Trennen Sie Fakt, Analyse, Meinung, offene Frage und akzeptiertes Risiko. Holen Sie Fach- und Decision-Approval. Frieren Sie Evidenz, Issues und Bericht des Entscheids ein und definieren Sie Monitoring oder Remediation.
Bewertung
Fragen, die den Entscheid verändern
- Welchen Entscheid unterstützt die Diligence und welche Themen liegen wirklich im Scope?
- Wer definiert Materialität und schliesst rechtliche, finanzielle, technische oder operative Issues?
- Welche Quelle gilt bei Konflikten in Perioden, Definitionen oder Darstellungen?
- Welche fehlende Evidenz blockiert, verändert Bedingungen oder bleibt offengelegte Unsicherheit?
- Welche Fakten sind deterministisch prüfbar und welche brauchen Fachinterpretation?
- Wie werden neue Dokumente mit bereits abgeschlossenen Findings und Approvals abgestimmt?
Fehlermuster
Wo Teams die Kontrolle verlieren
Summaries können bestätigte Evidenz, Managementdarstellung und Analysteninferenz vermischen.
Zahlen wirken widersprüchlich, weil Währung, Perimeter, Basis oder Periode abweichen.
Eine neuere Datei kann ohne Scope-Bestätigung fälschlich als verbindlicher Ersatz gelten.
Automation Bias lässt Reviewer kategorisierte Issues ohne Quelle akzeptieren.
Eine Materialitätsschwelle ist über Recht, Finance, Security und Operations ungeeignet.
Breiter Data-Room-Zugriff kann hochsensitive Inhalte über den Reviewbedarf hinaus öffnen.
Unkontrollierte Updates können Fachschlüsse entwerten, ohne Owner zu benachrichtigen.
Messung
Das fertige Ergebnis messen
Gemessen wird der abgeschlossene Prozess inklusive Review-Aufwand und Ausnahmen. Reines Output-Volumen beweist noch keine bessere Arbeitsweise.
- angeforderte, erhaltene, fehlende, unlesbare und ersetzte Evidenz je Workstream
- extrahierte materielle Fakten mit akzeptierter Quellenprovenienz
- offene Issues nach Materialität, Alter, Owner und Entscheidwirkung
- vor Schlussreview gelöste Widersprüche und Definitionskonflikte
- Fachreviewzeit für materielle Findings statt Navigation
- nach neuer Evidenz wieder geöffnete Findings und Zeit zum neuen Schluss
- Entscheide mit Rückverfolgung auf Fakten, Issues und explizite Restrisiken
Fragen
Häufige Fragen
Was lässt sich in Due Diligence automatisieren?
Intake, Klassifikation, Versionierung, Request Tracking, Feld- und Klausel-Extraktion, Evidenzlinks, wiederholbare Abstimmung, Issue Routing, zitierte Zusammenfassungen und Reportbau. Materielle Urteile und Entscheide bleiben bei qualifizierten Verantwortlichen.
Ersetzt AI Due Diligence Rechts- oder Finanzreview?
Nein. AI organisiert Evidenz und zeigt mögliche Findings. Sie ersetzt nicht Fachpersonen für Scope, anwendbaren Rahmen, Signifikanz und Freigabe. Welche Spezialisten nötig sind, hängt vom Diligence-Zweck ab.
Wie werden Widersprüche in Diligence-Dokumenten behandelt?
Bewahren Sie beide Quellen, normalisieren Sie Periode und Definition, eröffnen Sie ein präzises Issue, fordern Sie Evidenz und erfassen Sie den Fachschluss. Ein Summary darf nicht still die neuere, sicherere oder günstigere Aussage wählen.
Wie unterscheidet sich Due-Diligence- von DDQ-Automation?
DDQ-Automation unterstützt die antwortende Organisation bei einem Käufer- oder Investorenfragebogen. Due-Diligence-Automation hilft der prüfenden Seite bei Evidenzsammlung, Claim-Test, Issue-Steuerung und verantwortlichem Schluss.
Quellen
Primärquellen
- OECD-Leitfaden für Due Diligence Organisation für wirtschaftliche Zusammenarbeit und Entwicklung
- ISO 31000 Leitlinien zum Risikomanagement Internationale Organisation für Normung
Über den Autor
Malcolm Ferguson
Malcolm schreibt aus Käufersicht über Beschaffung, Sourcing, Due Diligence und die Nachweise für eine belastbare Lieferantenbewertung.
Zenith
KI-Workflow-Automatisierung für repetitive, dokumentenintensive und researchlastige Abläufe.
Operations, Finance, Commercial und Transformation. Ausgangspunkt sind der bestehende Ablauf, seine Grenzen und die vorhandenen Nachweise.
Zenith ansehen→