KI-gestützte Due Diligence

Das echte Ausmaß des Problems

M&A-Due-Diligence ist zeitintensiv, hochriskant und zeitkritisch. In einer typischen Legal-Due-Diligence-Prüfung eines mittelständischen Unternehmens müssen 2.000 bis 10.000 Dokumente gesichtet werden — Verträge, Gerichtsurteile, Schutzrechte, Arbeitsverträge, behördliche Genehmigungen, Gesellschafterbeschlüsse. Das Zeitfenster ist knapp: Käufer haben oft 3 bis 6 Wochen, um eine Transaktion zu prüfen, die über Jahre das Unternehmen prägt.

Die Folgekosten einer schlechten Due Diligence sind erheblich. Laut einer Studie der Beratungsgesellschaft KPMG (2022) scheitern über 50 Prozent aller M&A-Transaktionen daran, dass Risiken erst nach Abschluss erkannt werden. Klassische DD-Mängel: übersehene Pensionsverbindlichkeiten, Change-of-Control-Klauseln, die Schlüsselverträge bei Eigentümerwechsel gefährden, unbekannte Rechtsstreitigkeiten oder Umweltverpflichtungen.

Das Problem ist nicht mangelnde Sorgfalt der beteiligten Anwälte und Berater, sondern schiere Kapazität: Ein Team von vier Juristen kann in vier Wochen realistischerweise 500 bis 800 Dokumente sorgfältig prüfen (Schätzwert aus Praxisberichten). Bei 5.000 Dokumenten im Datenraum werden zwangsläufig Dokumente nur oberflächlich gelesen oder priorisiert übersprungen. KI ändert diese Gleichung fundamental.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Die Due Diligence ist der Use Case mit dem größten absoluten Zeitgewinn im Rechts-Portfolio. Bei einem 5.000-Dokument-Datenraum spart KI-gestützte Erstsichtung realistisch 40–60 % der Anwaltsstunden. Das sind bei einem vierköpfigen Team über drei Wochen mehrere hundert Stunden. Kein anderer Use Case hat diese absolute Dimension.

Kosteneinsparung — sehr hoch (5/5) Der Einsparungseffekt ist direkt monetisierbar: Weniger Anwaltsstunden bei gleichem DD-Ergebnis bedeutet 50.000–200.000 Euro Kostenreduktion je Transaktion — je nach Teamgröße und Datenraumumfang. Oder: Derselbe Aufwand deckt einen deutlich größeren Datenraum ab. Für auf M&A spezialisierte Kanzleien ist das die stärkste ROI-Argumentation im gesamten Portfolio.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der komplexeste Einstieg im gesamten Recht-Portfolio. KI-DD-Tools wie Luminance oder Harvey AI erfordern nicht nur Tool-Onboarding, sondern auch transaktionsspezifische Konfiguration des Prüfkatalogs, Datenraum-Integration und Qualitätssicherungsprozesse. Für ein erstes produktives Ergebnis brauchst du 4–12 Wochen Vorlaufzeit — und einen gut definierten Transaktionstyp als Startpunkt. Wer heute anfangen will, fängt nicht mit Due Diligence an.

ROI-Sicherheit — hoch (4/5) Der ROI pro Transaktion ist klar und messbar. Die Unsicherheit liegt in der Transaktionsfrequenz: Für eine Kanzlei mit 2–3 DD-Projekten pro Jahr lohnt sich der Einrichtungsaufwand. Für eine mit einem DD-Projekt alle zwei Jahre möglicherweise nicht — es sei denn, die einzelne Transaktion ist groß genug.

Skalierbarkeit — niedrig (2/5) Jede Transaktion ist individuell — andere Branche, anderer Vertragstyp, andere Prüfkategorien. Das System skaliert nicht einfach von einer Transaktion zur nächsten, ohne Rekonfiguration. Im Vergleich zu Fristenmanagement oder Mandantenkommunikation, die einmal eingerichtet dauerhaft laufen, braucht DD transaktionsspezifische Konfiguration.

Richtwerte — stark abhängig von Transaktionsgröße, Datenraumumfang und Rechtsgebiet.

Was das System konkret macht

Schritt 1 — Datenraum-Intake und Klassifikation Das KI-System lädt alle Dokumente aus dem virtuellen Datenraum, liest sie und klassifiziert sie automatisch in Kategorien: Verträge, HR-Dokumente, IP-Schutzrechte, Gerichtsverfahren, Genehmigungen, Gesellschaftsunterlagen. Das allein — eine Grobsortierung, die manuell Stunden braucht — dauert mit KI Minuten.

Schritt 2 — Risikoextraktion Je Kategorie sucht das System nach vordefinierten Risikokategorien:

• Verträge: Change-of-Control-Klauseln, außerordentliche Kündigungsrechte, wesentliche Haftungsklauseln
• HR: Schlüsselmitarbeiter-Abhängigkeiten, Abfindungsvereinbarungen, Wettbewerbsverbote
• IP: Lizenzrestriktionen, Eigentümerfragen, Third-Party-Rechte
• Rechtsstreitigkeiten: laufende und drohende Verfahren, Streitwerte, Prozesskostenrisiken

Schritt 3 — Risikobewerteter Prüfbericht Das System generiert einen Prüfbericht, der Risikopunkte nach Kategorie und Schweregrad sortiert. Anwälte starten nicht mehr mit Dokument 1, sondern mit den 50 Dokumenten, die das System als hochriskant klassifiziert hat.

Was bleibt Anwaltsarbeit: Die Bewertung, ob ein identifiziertes Risiko für diese spezifische Transaktion akzeptabel ist, Deal-Breaker oder verhandelbar ist. Das ist kontextuelle juristische Analyse — keine Mustererkennung.

Rechtliche Besonderheiten

Bei der KI-gestützten Due Diligence sind die Datenschutzanforderungen am höchsten im gesamten Recht-Portfolio.

Vertraulichkeit von Datenräumen: Transaktionsdaten sind typischerweise durch NDA und Datenraumvereinbarungen geschützt. Das Hochladen von Datenraum-Dokumenten in ein Cloud-KI-Tool braucht explizite Freigabe durch die Zielgesellschaft und den Käufer. In der Praxis: Datenschutz-Klausel in der DD-Vereinbarung, die KI-Verarbeitung explizit erlaubt — oder On-Premise-Lösung.

EU AI Act: KI-gestützte Risikoklassifizierung im DD-Kontext gilt nach aktuellem Stand als “limited risk” — weil die juristische Bewertungsentscheidung beim Anwalt bleibt. Keine Pflicht zur Hochrisiko-Konformitätserklärung, aber Transparenz gegenüber Auftraggeber über KI-Nutzung ist gute Praxis.

Anwaltsverschwiegenheit (§ 43a BRAO): Datenraum-Dokumente der Zielgesellschaft sind nicht automatisch Mandantendaten des Käufers — sie sind Daten Dritter. Die Verschwiegenheitspflicht schützt Mandanten, nicht Dritte. Trotzdem gilt die Sorgfaltspflicht für den Umgang mit vertraulichen Informationen Dritter.

Konkrete Werkzeuge — was wann passt

Luminance — Marktführer für KI-gestützte DD in UK und Europa. Eigenentwickeltes Modell, speziell für juristische Dokumentenanalyse trainiert. Starke M&A-spezifische Funktionen: Datenraum-Integration, Risiko-Dashboard, Anomalie-Erkennung. Preise: auf Anfrage, typisch 1.000–5.000 €/Monat je nach Transaktionsvolumen.

Harvey AI — US-Tool mit starker Vertragsanalyse-Basis, zunehmend für DD genutzt. Versteht komplexe Klausel-Abhängigkeiten und kontextuelle Risiken. Preise: ab ca. 500 $/Monat für Teams.

Kira Systems — Spezialist für Dokumentenanalyse mit über 1.000 vortrainierten Extraktions-Modellen für Standard-DD-Klauseln. Gut für Teams, die schnell loslegen wollen ohne eigene Konfiguration. Preise: auf Anfrage.

Claude mit Dokumenten-Upload — Für kleinere Transaktionen (bis ca. 500 Dokumente): Dokumente einzeln oder in Batches durch Claude analysieren lassen, Prüfkatalog als System-Prompt. Günstiger Einstieg (100–200 €/Monat), aber kein strukturierter DD-Workflow und keine Datenraum-Integration.

Zusammenfassung:

• Große Transaktion, professionelles DD-Team → Luminance oder Kira Systems
• Mittelgroße Transaktion, US-Verbindungen → Harvey AI
• Erste Erfahrungen, kleinere Deals → Claude mit eigenem Prüfkatalog

Datenschutz und Datenhaltung

Datenraum-Dokumente enthalten oft die sensibelsten Unternehmens- und Personendaten überhaupt — Pensionsverträge, Gerichtsverfahren, Strategiepapiere, HR-Akten. Das erfordert die höchsten Datenschutzstandards:

1. Vertragliche Absicherung mit dem Tool-Anbieter: AVV nach Art. 28 DSGVO, explizit für Transaktionsdaten
2. Datenraum-Vereinbarung prüfen: Viele virtuelle Datenräume (Intralinks, Datasite, Drooms) erlauben standardmäßig keine Weitergabe von Datenraum-Inhalten an KI-Tools — das muss explizit vereinbart werden
3. EU-Datenhaltung oder On-Premise: Für Transaktionsdaten empfehle ich ausschließlich Tools mit EU-Datenhaltung oder lokale Installationsoptionen — Luminance bietet beides auf Anfrage
4. Anonymisierung des Prototyp-Tests: Beim ersten Test des Systems mit echten Dokumenten sollten nicht die sensitivsten Transaktionsdaten genutzt werden — erst Testdokumente, dann schrittweise Hochlauf

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Tool-Onboarding und Konfiguration: 2.000–10.000 € (je nach Tool und Transaktionskomplexität)
• Prüfkatalog-Entwicklung für häufigste Transaktionstypen: 3–5 Tage intern
• Erste Transaktion als “Learning Run”: zusätzlicher Aufwand von ca. 20 %

Kosten je Transaktion (laufend)

• Luminance / Kira Systems: 2.000–10.000 € je Transaktion (abhängig von Datenraumgröße)
• Harvey AI: 1.000–5.000 € je Transaktion
• Claude-Eigenansatz: 500–2.000 € je Transaktion (Infrastruktur + manueller Aufwand)

ROI-Rechnung Transaktion mit 5.000 Dokumenten, 4 Wochen, Team von 4 Anwälten: Ohne KI = 600 Anwaltsstunden à 280 € = 168.000 €. Mit KI: 40 % Einsparung = 240 Stunden gespart = 67.200 € Einsparung gegenüber 5.000 € Tool-Kosten. Netto-Einsparung: ~62.000 € pro Transaktion.

Drei typische Einstiegsfehler

1. KI-DD-Report ohne tiefes Lesen der Hochrisiko-Dokumente absenden. Das KI-System priorisiert richtig — aber es priorisiert nach Mustern, nicht nach Transaktionslogik. Ein Change-of-Control-Trigger bei einem Lieferantenvertrag für Bürostühle ist technisch “hoch riskant” — praktisch irrelevant. Der Anwalt muss die KI-Priorisierung mit dem Deal-Kontext überlagern.

2. Zu spät beginnen. KI-DD braucht Einrichtungszeit vor der Transaktion. Wenn das Tool erst nach der NDA-Unterzeichnung konfiguriert wird, geht die heiße DD-Phase ohne KI-Unterstützung vorbei. Tools und Prüfkataloge sollten vor der Transaktion bereitstehen.

3. Nur Legal DD automatisieren, Financial und Tax vergessen. Der größte Wert entsteht, wenn Legal, Financial und Tax DD mit denselben KI-Tools auf denselben Datenraum zugreifen. Siloartige Implementierungen verlieren Querverbindungen zwischen Kategorien.

Was mit der Einführung wirklich passiert — und was nicht

KI-DD-Tools erzeugen in erfahrenen Teams eine nachvollziehbare Skepsis: “Ich habe 20 Jahre M&A-Erfahrung, ich finde Risiken besser als ein Algorithmus.” Das ist für komplexe Bewertungsentscheidungen richtig. Es ist falsch für das Durchkämmen von 5.000 Dokumenten.

Was konkret hilft: Starte mit einer abgeschlossenen, nicht-vertraulichen Transaktion. Lasse das Tool retrospektiv über den Datenraum laufen. Vergleiche die KI-Ergebnisse mit dem echten DD-Report. Das zeigt konkret, was das Tool gefunden hätte — und was du vielleicht übersehen hast.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Datenraum-Daten sind zu vertraulich für KI-Tools.” Berechtigter Einwand für Tools mit US-Datenhaltung. Lösbar mit EU-gehostetem Luminance oder lokaler Installationsoption. Die Alternative — manuelle Sichtung von 5.000 Dokumenten unter Zeitdruck — erzeugt eigene Risiken, die ebenfalls Vertraulichkeits-Konsequenzen haben.

„Wir machen nur 1–2 Transaktionen pro Jahr, das lohnt sich nicht.” Kommt auf die Transaktionsgröße an. Bei einer 50-Millionen-Transaktion, bei der KI 60.000 Euro Anwaltsstunden einspart, lohnt sich auch ein Einrichtungsaufwand von 10.000 Euro. Rechne transaktionsbezogen, nicht auf Jahresbasis.

„Unser Mandant erwartet menschliche Prüfung, keine KI.” Der Mandant erwartet Vollständigkeit und Sorgfalt — KI hilft bei beidem. Wenn du transparent kommunizierst, dass KI die Dokumentensichtung beschleunigt und die juristische Bewertung durch erfahrene Anwälte erfolgt, ist das ein Vorteil, kein Nachteil.

Woran du merkst, dass das zu dir passt

• Du führst 2+ M&A-Transaktionen pro Jahr durch
• Datenräume mit 1.000+ Dokumenten sind Standard
• Du hattest schon einmal das Gefühl, einen riesigen Datenraum unter Zeitdruck nicht vollständig abgedeckt zu haben
• Das DD-Team kämpft regelmäßig mit Kapazitätsproblemen bei großen Transaktionen

Wer noch warten sollte:

• Kanzleien mit weniger als einer DD-Transaktion pro Jahr — der Einrichtungsaufwand ist nicht amortisierbar
• Teams ohne klaren DD-Prozess — KI beschleunigt einen Prozess, sie ersetzt keinen fehlenden
• Kanzleien, die für DD-Arbeit keine klaren Vertraulichkeitsregeln für externe Tools haben — bevor KI-Tools auf Mandantendaten zugreifen, müssen Datenschutzfragen intern geklärt sein

Das kannst du heute noch tun

Nimm die erste Seite eines Vertrags aus einem früheren Datenraum (nicht sensibel), lade ihn in Claude oder ChatGPT hoch, und nutze den Prompt unten für eine erste Risikoextraktion.

Quellen & Methodik

• KPMG, M&A Integration Survey 2022 — Über 50 % der M&A-Transaktionen scheitern an nachträglich erkannten Risiken. [kpmg.com]
• Luminance, KI-DD Whitepaper 2024 — Technische Ergebnisse aus 500 DD-Projekten mit KI-Unterstützung: Zeitersparnis 40–65 %. [luminance.com]
• Bundeskartellamt, M&A-Statistik 2023 — Transaktionsvolumen in Deutschland: ca. 2.500 angemeldete Zusammenschlüsse, davon ~300 größere DD-pflichtige Transaktionen.
• DSGVO Art. 28, 44 ff. — AVV-Pflicht und Drittlandübermittlung bei DD-Daten.
• Eigene Projekterfahrungen — Retrospektive KI-Analyse auf zwei abgeschlossenen Transaktionen mit Luminance (2024). Keine repräsentative Studie.