Die Bewertungspraxis bewegt sich derzeit deutlich in Richtung Automatisierung, und dieser Trend kommt aus verschiedenen Richtungen. Manuelle Dateneingaben, schrittweise Modellaktualisierungen und sequentielle Prüfprozesse – alles wird auf Geschwindigkeit und Skalierbarkeit getrimmt. Es mangelt nicht an Lösungen, Anwendungen und Ideen, die darum konkurrieren, Sie dabei zu unterstützen. Unterschiedliche Anbieter, unterschiedliche Ansätze und unterschiedliche Versprechen darüber, wie weit sie bereits sind.
Wie kam es zur Automatisierung der Bewertung?
Die erste Welle bestand aus Bewertungsplattformen – strukturierten Systemen, die intern oder von Drittanbietern entwickelt wurden, um Daten, Berechnungen und Arbeitsabläufe zu standardisieren. Diese gibt es schon seit Jahren. Ein Kritikpunkt an Bewertungsplattformen war historisch gesehen, dass sie starre Grenzen setzten und es ihnen manchmal an der Flexibilität fehlte, sich an die einzigartigen Umstände jedes Geschäfts anzupassen. Der Kompromiss liegt zwischen einem standardisierten, robusten Prozess und der Fähigkeit, die Realität der Transaktion hinter der Bewertung tatsächlich abzubilden. Doch die Architektur verbessert sich stetig, und Plattformen bieten ihren Nutzern immer mehr Möglichkeiten. Die Herausforderung mag für einige Akteure, die in sehr spezifischen Strategien tätig sind und maßgeschneiderte Ansätze und Bedingungen für jedes Geschäft benötigen – etwa bei Distressed- oder Special-Situations-Strategien – weiterhin bestehen. Für eine große Anzahl von Akteuren, z. B. im Bereich Senior Direct Lending, bei einfachen Leveraged Buyouts oder sogar bei VC-Fonds in der Spätphase, sind die Bedingungen jedoch recht traditionell, und Plattformen beherrschen Dinge wie PIK-Toggles und Unterschiede bei Anteilsklassen bereits gut. Die Nuancen dieser Geschäfte sind den Entwicklern bekannt, und die Geschäftsbedingungen sowie Spezifikationen lassen sich mittlerweile gut in die festen Rahmenwerke standardisierter Systeme integrieren.
Heute steht ein neuer Akteur im Rampenlicht: der Boom der generativen KI. Da generative KI immer leistungsfähiger geworden ist, begannen viele sich zu fragen: Können wir den Bewertungsprozess mit KI automatisieren, anstatt komplexe Systeme zu bauen? Und die KI-Modelle sind tatsächlich besser geworden. Ursprünglich für allgemeine analytische Aufgaben konzipiert, werden die Modelle nun von Expertenteams aus verschiedenen Bereichen, einschließlich des Finanzwesens, trainiert, um ihre Fähigkeiten in den jeweiligen Fachgebieten zu verbessern. Infolgedessen verbessern sich die Modelle von Generation zu Generation, und diese Fortschritte könnten den oben beschriebenen standardisierten Systemen eine weitere Ebene der Flexibilität verleihen. Das sind spannende Nachrichten für die Anwender.
Warum ist KI-Output schwerer zu vertrauen als einer Plattform?
Doch hinter all dem steht eine ehrliche Frage: Können Sie dem Ergebnis vertrauen? Oder präziser ausgedrückt: Was benötigen Sie, um dem Ergebnis vertrauen zu können?
Betrachten wir die verschiedenen Optionen, die uns zur Verfügung stehen. Für einen Anwender ist es einfach, seinem eigenen Excel-Modell zu vertrauen, weil man genau weiß, wie es aufgebaut ist, da man es selbst erstellt hat und jede Formel sowie jede Annahme sichtbar ist. Einer Plattform zu vertrauen, ist bereits ein Schritt schwieriger, da jemand anderes sie gebaut hat und man sich auf deren Prozess statt auf den eigenen verlässt. Dennoch bleibt eine Plattform ein geschlossenes System; ihre Architektur ist zu jedem Zeitpunkt festgelegt und dokumentiert.
Generative KI geht noch einen Schritt weiter. Es ist tatsächlich schwieriger, ihr zu vertrauen – nicht, weil ihre Argumentation nicht überprüft werden könnte (man kann sie bitten, die Schritte darzulegen), sondern weil dieser Argumentationspfad nicht fest definiert ist. Stellt man dieselbe Frage zweimal, könnte sie einen anderen Weg zur Antwort wählen, und die nächste Version des Modells könnte wieder anders argumentieren. Das ist von Natur aus ein offenes System, und daran ändert auch eine zunehmende Intelligenz des Modells nichts. Das ist keine Kritik an der Leistungsfähigkeit; moderne Frontier-Modelle sind in dieser Art von Arbeit bereits stark. Es ist ein völlig anderes Problem.
Deshalb müssen Sie sich in der Welt der Finanzberichterstattung zwei separate Fragen stellen: Vertrauen Sie dem Modell, das die KI geliefert hat? Und vertraut Ihr Wirtschaftsprüfer dem Modell, das die KI geliefert hat? Denn dies bestimmt den Arbeitsaufwand und die Anzahl der Rückfragen auf beiden Seiten. Ein Team kann sich in zwanzig Minuten davon überzeugen, dass ein Ergebnis plausibel ist. Einen externen Prüfer zu überzeugen, der nicht dabei war, keinen Kontext hat und von Berufs wegen skeptisch sein muss, erfordert etwas ganz anderes: Beweise, nicht Vertrauen. Und genau das ist der Punkt: Automatisierung ohne Transparenz reduziert den Arbeitsaufwand nicht, sie verschiebt nur, wer ihn am Ende erledigt und wann.
Was braucht es, um einer automatisierten Bewertung zu vertrauen?
Unabhängig davon, ob wir über Plattformen oder KI nachdenken, müssen wir dieselben Aspekte berücksichtigen wie bei jedem Standard-Bewertungsprozess. Es läuft auf Transparenz und Kontrolle hinaus. Wir müssen wissen, woher eine Zahl stammt – das ist ein dokumentierter Audit-Trail beim Datenabruf. Wir müssen wissen, dass die Berechnungen korrekt ausgeführt wurden – das ist das Architekturdesign. Wir müssen wissen, dass das Endergebnis tatsächlich mit diesen Schritten übereinstimmt. Und sobald es erstellt wurde, muss es gesperrt und mit einem Zeitstempel versehen werden, damit später keine Unklarheit darüber besteht, was wann bekannt war. Zusammengefasst bedeutet das: validierte Daten, erklärbare Architektur und ein reproduzierbarer, zeitgestempelter Pfad. Das ist in einem geschlossenen System erreichbar. ISAE-Berichte spielen hier ebenfalls eine Rolle; sie geben Sicherheit nicht nur darüber, wie ein System eingerichtet wurde, sondern auch darüber, wie es im täglichen Betrieb tatsächlich funktioniert. Ob dasselbe Vertrauen speziell für generative KI erreichbar ist, ist eine wirklich offene Frage. Wir müssen einen Weg finden, dieselben Fragen für KI-generierte Ergebnisse zu beantworten, bevor wir uns auf die produzierten Zahlen verlassen können.
Die Vertrauensfrage ist kein Problem, das wir unendlich aufschieben können. Das traditionelle Betriebsmodell, das auf manueller Prüfung bei manuellem Tempo basiert, wird den Anforderungen von Retailisierung, semi-liquiden Strukturen und häufigeren Bewertungszeitpunkten nicht gerecht. Versuchen Sie einmal, eine tägliche Bewertung für fünfhundert Kreditlinien von Hand durchzuführen – die Grenzen werden sofort sichtbar. Daher ist Technologie keine Option, sondern eine Notwendigkeit. Aber wir können nicht vorankommen, ohne uns auf den Prozess verlassen zu können. Geschwindigkeit ohne Vertrauen beseitigt das Risiko nicht, sie verlagert es nur nachgelagert auf denjenigen, der die Zahl abzeichnen muss, ohne vollständig erklären zu können, woher sie stammt.
Eine Plattform oder KI ist ein Werkzeug. Keines von beiden ersetzt die Governance, und das sollte auch von keinem erwartet werden. Governance stellt sicher, dass Qualität und ein angemessener Prozess gewährleistet sind; die Technologie ist dazu da, Geschwindigkeit und Effizienz zu bringen. In der Praxis bedeutet das dieselben Anforderungen, die jeder Standard-Bewertungsprozess ohnehin stellt – nur angewendet auf etwas, das nun in einem System statt in einem Tabellenblatt liegt; ein System, dessen Code man nicht immer selbst lesen oder verifizieren kann, so wie man es mit eigenen Formeln konnte. Sie benötigen die Gewissheit, dass das System korrekt eingerichtet wurde, dass es weiterhin wie beabsichtigt funktioniert und dass die Kontrollen rund um den Prozess tatsächlich greifen.
Was uns zu der Frage zurückbringt, mit der wir begonnen haben: Können wir den Bewertungsprozess mit KI automatisieren, anstatt komplexe Systeme zu bauen? Nein, nicht anstatt, zumindest noch nicht. Die Governance, die ein komplexes System benötigt, verschwindet nicht, nur weil das Werkzeug, das die Arbeit erledigt, intelligenter geworden ist; sie verlagert sich nur an einen anderen Ort. Was die generative KI betrifft, so sind wir ehrlich: Ein Teil dieser Governance-Frage ist noch ungeklärt. Wir wissen noch nicht, wie wir sie für KI-generierte Ergebnisse vollständig beantworten können, so wie wir es für ein geschlossenes System tun können – auch wenn wir glauben, dass es ein lösbares Problem ist, kein unlösbares.
Das ist die ehrliche Version davon, der Automatisierung zu vertrauen. Es geht nicht um geschlossene versus offene Systeme, nicht um Plattformen versus generative KI, sondern um einen transparenten Prozess mit einem robusten Governance- und Kontrollrahmen, der erklärbare und reproduzierbare Ergebnisse liefert, die der Prüfung durch Wirtschaftsprüfer und Regulierungsbehörden standhalten.
Referenzen
- IAASB, ISAE 3402 „Assurance Reports on Controls at a Service Organization“, veröffentlicht im Dezember 2009 – der internationale Prüfungsstandard hinter den oben genannten „ISAE-Berichten“. Ein Typ-1-Bericht umfasst die Gestaltung der Kontrollen einer Serviceorganisation zu einem bestimmten Zeitpunkt; ein Typ-2-Bericht prüft zusätzlich, ob diese Kontrollen über einen Zeitraum hinweg effektiv funktioniert haben – also die Sicherheit darüber, „wie es im täglichen Betrieb tatsächlich läuft“. iaasb.org – ISAE 3402 Ankündigung
Verwandte Seiten
- Produkt – die Bewertungsdatenplattform von smartZebra, inklusive Quellen- und Berechnungsnachweis für jeden Datenpunkt.
- Zahlen & Fakten – Abdeckung, Quellen, Aktualisierungsrhythmus und die Standards, auf denen die Daten basieren.
- Häufige Bewertungszyklen: Löst Technologie das Datenproblem? – der Begleitartikel: Was schnellere Bewertungstechnologie löst und was nicht.
- Verrechnungspreise in einer Welt der KI: Alles hängt von belastbaren Daten ab – dieselbe Vertrauensfrage, angewandt auf KI-erstellte Verrechnungspreisstudien.
- PIK-Darlehen und PIK-Toggle: Risikoüberwachung bei Private Credit – eine der Vertragsbedingungen, die Plattformen heute standardmäßig abwickeln.
- Komplexe Eigenkapitalstrukturen: Warum die Rechte von Anteilsklassen wichtig sind – die Unterschiede zwischen Anteilsklassen, die ein standardisiertes System korrekt abbilden muss.
- AIFM & Fondsmanager – die Bewertungsdatenebene für den Nettoinventarwert (NAV) auf Fondsebene und Berichtszyklen.
