M&A-Beratung für KI-Unternehmen

neomerge begleitet Gründer, Unternehmer und Gesellschafter von der strategischen Vorbereitung bis zum Signing und Closing. Zu Beginn analysieren wir Geschäftsmodell, Marktposition, AI-Stack, Datenbasis, Produkt, Kunden, Finanzkennzahlen, regulatorisches Profil und persönliche Ziele der Eigentümer. Anschließend entwickeln wir eine belastbare Equity Story, erstellen die Unternehmensbewertung und bereiten Transaktionsunterlagen sowie Datenraum vor. Über unser internationales Käufer- und Investorennetzwerk identifizieren wir strategische Technologieunternehmen, Softwaregruppen, Private-Equity- und Growth-Investoren sowie Family Offices. Wir steuern die vertrauliche Ansprache, strukturieren den Bieterprozess und begleiten Due Diligence, Kaufpreis- und Vertragsverhandlung bis zum Abschluss.

Der AI-Markt umfasst sehr unterschiedliche Geschäftsmodelle. Relevante Subsektoren sind Foundation Models und General-Purpose-AI, AI-Infrastruktur und Compute, Data Engineering und Datenplattformen, MLOps und Model Observability, AI-Security und Governance, horizontale AI-Produktivitätstools, vertikale AI-Lösungen für einzelne Branchen, AI-enabled Software, intelligente Prozessautomatisierung, Computer Vision, Sprach- und Dokumentenverarbeitung sowie Robotik und autonome Systeme. Auch spezialisierte AI-Services-Unternehmen können attraktiv sein, wenn sie über tiefes Domänenwissen, wiederverwendbare IP, skalierbare Delivery und wiederkehrende Managed Services verfügen. Bewertung, Käuferuniversum und Due Diligence müssen jeweils am konkreten Subsegment ausgerichtet werden.

Für strategische Käufer, Private-Equity-Investoren, Family Offices und Portfoliounternehmen entwickelt neomerge individuelle AI-Akquisitions- und Buy-and-Build-Strategien. Wir strukturieren den relevanten Markt, definieren ein präzises Target-Profil und identifizieren geeignete Unternehmen über proprietäres Market Mapping, Datenanalyse und persönliche Unternehmerkontakte. Bei konkreten Opportunities prüfen wir strategische Passung, Produkt, Daten- und Modellposition, Skalierbarkeit, Synergien und Unternehmensbewertung. Anschließend unterstützen wir bei Letter of Intent, technischer und kommerzieller Due Diligence, Finanzierung, Kaufpreisstruktur und Verhandlung. Dabei unterscheiden wir konsequent zwischen tatsächlicher AI-Differenzierung und einer lediglich marketinggetriebenen AI-Positionierung.

Bei AI-Unternehmen liegt ein wesentlicher Teil des Werts in immateriellen, technisch komplexen Assets. Käufer müssen nachvollziehen, ob das Unternehmen eigene Modelle, Daten, Software und Workflows kontrolliert oder primär auf austauschbaren Drittanbieter-APIs aufbaut. Ebenso relevant sind Trainings- und Nutzungsrechte, Modellperformance, Halluzinations- und Bias-Risiken, Cybersecurity, Datenschutz, AI-Act-Klassifizierung, Compute-Kosten und die Reproduzierbarkeit der Ergebnisse. Gleichzeitig verändern sich Technologie und Wettbewerb außergewöhnlich schnell. Eine spezialisierte AI-M&A-Beratung muss deshalb Finanz-, Markt-, Produkt-, Technologie-, Daten-, IP- und Regulierungsfragen zu einer konsistenten Bewertungs- und Transaktionslogik verbinden.

Die Bewertung kombiniert regelmäßig mehrere Methoden: Discounted-Cashflow-Analyse, Börsenmultiplikatoren vergleichbarer Unternehmen, Multiples abgeschlossener Technologie- und AI-Transaktionen sowie bei Finanzinvestoren LBO- und Renditeanalysen. Je nach Geschäftsmodell können Umsatz, ARR, Gross Profit, EBITDA oder nutzungsbasierte Kennzahlen als Bezugsgröße dienen. Entscheidend ist jedoch die Qualität des Wachstums. Wiederkehrende Erlöse, Net Revenue Retention, Bruttomarge, Compute-Effizienz, Customer Acquisition Cost, Kundenkonzentration, Skalierbarkeit und die Nachhaltigkeit der technologischen Differenzierung beeinflussen die Einordnung. Ein allgemeines „AI-Multiple“ ist nicht belastbar; AI-native Plattformen, vertikale Anwendungen und personalintensive AI-Services folgen unterschiedlichen Bewertungslogiken.

Bei einem AI-native Unternehmen ist künstliche Intelligenz zentral für Produkt, Kundennutzen und wirtschaftliche Differenzierung. Ohne das AI-System würde das Kernprodukt nicht in vergleichbarer Form bestehen. Ein AI-enabled Unternehmen nutzt AI dagegen zur Verbesserung eines bestehenden Software-, Service- oder Geschäftsmodells – beispielsweise für Automatisierung, Personalisierung oder Produktivität. Beide Modelle können attraktiv sein. Käufer prüfen jedoch unterschiedlich: Bei AI-native Unternehmen stehen Modell, Daten, Performance, Compute und regulatorische Risiken im Mittelpunkt. Bei AI-enabled Unternehmen ist entscheidend, ob AI die Marge, Kundenbindung oder Produktqualität messbar verbessert und ob der Anbieter einen angemessenen Teil der Produktivitätsgewinne wirtschaftlich behält.

Zu den wichtigsten Werttreibern zählen ein klar belegbarer Kundennutzen, starkes organisches Wachstum, hohe Kundenbindung, skalierbare Bruttomargen, proprietäre Daten oder Workflows und eine robuste technologische Architektur. Käufer analysieren außerdem Modellqualität, Kosten pro Inferenz, Produktgeschwindigkeit, Integrationsgrad beim Kunden, wiederkehrende Erlöse, Vertriebseffizienz und die Fähigkeit, neue Anwendungsfälle zu erschließen. Ein weiterer Werttreiber ist die Defensibilität: Eigene Daten, Domänenexpertise, tief integrierte Prozesse, regulatorische Zulassungen oder besonders hohe Wechselkosten können nachhaltigere Vorteile schaffen als der reine Zugang zu einem allgemein verfügbaren Foundation Model. Eine starke zweite Führungsebene und belastbare AI-Governance reduzieren zusätzlich das Transaktionsrisiko.

Viele AI-Unternehmen kombinieren Abonnements, nutzungsabhängige Preise, Mindestabnahmen und professionelle Services. Wiederkehrende Umsätze schaffen Planbarkeit, während Usage-Based Pricing den Preis stärker am tatsächlichen Kundennutzen ausrichten kann. Gleichzeitig kann eine hohe Nutzung zu erheblichen Compute- und Modellkosten führen. Käufer analysieren deshalb nicht nur ARR und Wachstum, sondern auch Gross Revenue Retention, Net Revenue Retention, Nutzungskohorten, Bruttomarge nach Kunde und Produkt, Inferenzkosten sowie Preisweitergabe. Ein scheinbar schnell wachsendes AI-Modell kann wirtschaftlich unattraktiv sein, wenn variable Kosten proportional oder schneller als der Umsatz steigen. Transparente Unit Economics sind daher ein zentraler Bestandteil von Bewertung und Due Diligence.

Daten können ein wesentlicher Werttreiber sein, wenn sie rechtmäßig erhoben, qualitativ hochwertig, für das Modell relevant und schwer replizierbar sind. Käufer prüfen Herkunft, Nutzungsrechte, Einwilligungen, Vertragsbeschränkungen, Datenschutz, Datenqualität, Aktualität, Labeling und Übertragbarkeit im Rahmen der Transaktion. Besonders wichtig ist die Unterscheidung zwischen eigenen Daten, Kundendaten, lizenzierten Datensätzen, öffentlich verfügbaren Quellen und synthetischen Daten. Ein großes Datenvolumen allein schafft keinen Wettbewerbsvorteil. Entscheidend ist, ob das Unternehmen die Daten rechtssicher nutzen kann und daraus nachweisbar bessere Ergebnisse, schnellere Produktentwicklung oder höhere Kundenbindung erzielt.

Die IP-Due-Diligence prüft, wem Modelle, Quellcode, Trainingspipelines, Prompts, Fine-Tunings, Datensätze, Dokumentation und Marken tatsächlich gehören. Dazu werden Arbeits-, Gründer-, Freelancer-, Forschungs- und Lizenzverträge sowie mögliche Sicherungsrechte untersucht. Bei Trainingsdaten ist zu klären, ob Urheber-, Datenbank-, Datenschutz- und Vertragsrechte eingehalten wurden. Open-Source-Modelle und -Software können Entwicklung beschleunigen, bringen aber Lizenz-, Copyleft-, Notice- und Patentfragen mit sich. Auch Nutzungsbedingungen externer AI-Anbieter können Eigentum an Outputs, Haftung, Vertraulichkeit oder Weiterverwendung beschränken. Ungeklärte Rechte können den Unternehmenswert deutlich beeinträchtigen oder eine Transaktion verzögern.

Viele AI-Produkte basieren auf Modellen, Cloud-Infrastruktur oder Datenservices Dritter. Käufer prüfen deshalb, ob diese Abhängigkeiten austauschbar sind und wie sich Preisänderungen, Leistungsänderungen, Rate Limits, Verfügbarkeit oder Vertragskündigungen auf Produkt und Marge auswirken. Relevante Fragen sind Multi-Model-Fähigkeit, Portabilität, eigene Fine-Tunings, Datenkontrolle, Hosting-Optionen und technische Wechselkosten. Ein Unternehmen kann trotz Drittmodell-Abhängigkeit stark differenziert sein, wenn es über proprietäre Workflows, Kundendaten, Domänenwissen, Distribution und tiefe Integration verfügt. Eine reine Wrapper-Anwendung ohne klare Differenzierung und mit niedrigen Wechselkosten wird dagegen regelmäßig kritischer bewertet.

Eine AI Due Diligence verbindet Financial, Commercial, Technology, Product, Legal, Data Privacy, Cybersecurity und Regulatory Due Diligence. Untersucht werden unter anderem Markt und Wettbewerbsposition, Kunden-ROI, Umsatzqualität, Unit Economics, Produkt-Roadmap, Modellarchitektur, Trainings- und Evaluationsprozesse, Datenherkunft, IP-Rechte, Third-Party-Abhängigkeiten, Compute-Kosten, Security, Datenschutz und AI-Governance. Käufer erwarten belastbare Benchmarks für Genauigkeit, Robustheit, Latenz, Halluzinationen, Drift und menschliche Kontrolle. Entscheidend ist außerdem, ob die im Vertrieb kommunizierten Leistungsversprechen reproduzierbar und vertraglich tragfähig sind. neomerge koordiniert die beteiligten Spezialisten und übersetzt die Ergebnisse in Bewertung, Kaufpreis, Garantien, Freistellungen und Integrationsplanung.

Der EU AI Act ist zu einem zentralen Due-Diligence- und Wertthema geworden. Verbote bestimmter AI-Praktiken und Pflichten zur AI-Kompetenz gelten seit Februar 2025; Vorgaben für General-Purpose-AI-Modelle gelten seit August 2025. Ende Juni 2026 hat der Rat die Vereinfachungsnovelle final gebilligt. Die umfassenden Pflichten für eigenständige Hochrisiko-AI-Systeme gelten spätestens ab 2. Dezember 2027, für in regulierte Produkte eingebettete Systeme spätestens ab 2. August 2028; einzelne Transparenz- und sonstige Pflichten folgen eigenen Zeitplänen. Im M&A-Prozess müssen Rolle, Risikoklasse, Dokumentation, Daten-Governance, Human Oversight, Monitoring und mögliche Compliance-Lücken des Targets bewertet werden.

AI-Unternehmen verarbeiten häufig große Mengen personenbezogener Daten in Entwicklung, Fine-Tuning, Evaluation oder produktivem Betrieb. Käufer prüfen, welche Rechtsgrundlagen bestehen, ob Zweckbindung und Transparenz eingehalten werden, wie Betroffenenrechte umgesetzt werden und ob internationale Datentransfers oder besondere Datenkategorien betroffen sind. Die EDPB-Stellungnahme zu AI-Modellen betont unter anderem Anonymisierung, berechtigtes Interesse und mögliche Folgen rechtswidriger Datenverarbeitung in der Entwicklungsphase. Auch Rollenverteilung zwischen Anbieter, Kunde, Controller und Processor muss klar sein. Datenschutzmängel können nicht nur Bußgelder, sondern auch die weitere Nutzbarkeit eines Modells oder Datensatzes beeinträchtigen.

AI-Systeme schaffen zusätzliche Angriffsflächen. Dazu zählen Prompt Injection, Daten- und Modellvergiftung, Model Extraction, unsichere Plugins oder Agenten, ungewollte Datenoffenlegung und manipulierte Outputs. Käufer untersuchen Security-by-Design, Zugriffs- und Schlüsselmanagement, Logging, Red-Teaming, Incident Response, Lieferkette, Modell- und Datenversionierung sowie die Trennung von Kundenumgebungen. Ebenso wichtig sind Robustheit, Bias, Drift, Halluzinationen und sichere menschliche Eskalationsprozesse. AI kann zugleich zur Verbesserung der Cyberabwehr eingesetzt werden. Ein professionelles Risikomanagement nach anerkannten Frameworks kann die Skalierbarkeit und das Vertrauen von Kunden und Investoren wesentlich stärken.

Das Käuferuniversum umfasst globale Technologie- und Softwareunternehmen, Cloud- und Halbleiteranbieter, IT-Services-Gruppen, Industrieunternehmen, Private-Equity- und Growth-Investoren, Venture-Capital-Gesellschaften sowie spezialisierte Family Offices. Strategische Käufer suchen häufig Technologie, Daten, Talent, neue Produkte, schnelleren Marktzugang oder die Integration von AI in bestehende Plattformen. Finanzinvestoren konzentrieren sich auf skalierbare Erlöse, Marktposition, Unit Economics, Management und Exit-Potenzial. Je nach Entwicklungsphase kann eine Wachstumsfinanzierung, Minderheitsbeteiligung, Mehrheitsbeteiligung oder vollständige Übernahme sinnvoll sein. neomerge entwickelt für jedes Unternehmen ein individuelles internationales Käufer- und Investorenuniversum.

Bei AI-Unternehmen können Training, Fine-Tuning, Inferenz, Speicherung und Datenverarbeitung erhebliche variable Kosten verursachen. Käufer analysieren deshalb Gross Margin nach Produkt und Kundenkohorte, Kosten je Anfrage oder Workflow, Auslastung, Cloud- und Chipverträge, Reservierungen, Skalierungseffekte sowie die Fähigkeit, Modelle zu komprimieren oder effizientere Anbieter zu nutzen. Auch Latenz, Verfügbarkeit und Datenstandort spielen eine Rolle. Ein hohes Umsatzwachstum ist weniger wertvoll, wenn Compute-Kosten den Deckungsbeitrag dauerhaft begrenzen. Attraktive Unternehmen können dagegen durch Routing, kleinere spezialisierte Modelle, eigene Optimierungen, Edge Deployment oder langfristige Infrastrukturverträge eine strukturell bessere Kostenposition aufbauen.

Die Entscheidung hängt von strategischer Dringlichkeit, internen Fähigkeiten, Kosten, Risiko und verfügbarer Zeit ab. Der interne Aufbau kann sinnvoll sein, wenn das Unternehmen über eigene Daten, Talent und ausreichend Zeit verfügt. Eine Akquisition bietet schnelleren Zugang zu Technologie, Kunden, Daten, Teams und Marktposition, bringt aber Bewertungs- und Integrationsrisiken mit sich. Strategische Partnerschaften oder Beteiligungen können einen Mittelweg darstellen und den Zugang zu Kompetenzen ermöglichen, ohne unmittelbar vollständige Kontrolle zu übernehmen. neomerge analysiert die strategische Lücke, identifiziert geeignete Targets oder Partner und bewertet die Alternativen hinsichtlich Wertbeitrag, Investitionsbedarf, Governance und Umsetzbarkeit.

neomerge verbindet langjährige Technologie-, Software- und IT-Services-M&A-Erfahrung mit einer eigenen daten- und technologieorientierten Arbeitsweise. Unser Team umfasst M&A-, Technologie- sowie AI- und Data-Kompetenz und nutzt proprietäre Datenbanken, Web- und Daten-Crawler sowie AI-Anwendungen für Marktanalyse, Target-Identifikation und Investor Matching. Gleichzeitig bleibt die persönliche Senior-Level-Beratung entscheidend: Wir entwickeln eine belastbare Investment- beziehungsweise Equity Story, koordinieren technische und regulatorische Spezialisten und führen den Prozess bis zum Abschluss. Als unabhängige, unternehmergeführte Boutique sind wir ausschließlich den Interessen unserer Mandanten verpflichtet. Integrität, Vertraulichkeit und kompromisslose Arbeitsqualität bilden die Grundlage jedes Mandats.

Künstliche Intelligenz verändert Produkte, Geschäftsprozesse und ganze Wertschöpfungsketten. Gleichzeitig entsteht ein dynamischer M&A- und Finanzierungsmarkt für AI-native Software, vertikale Anwendungen, Daten- und MLOps-Plattformen, AI-Infrastruktur, intelligente Automatisierung und spezialisierte AI-Services. Unternehmer, Käufer und Investoren müssen dabei nicht nur Wachstum und Marktposition beurteilen, sondern auch Technologie, Datenrechte, Modellqualität, Compute-Kosten, Regulierung und tatsächliche Differenzierung. neomerge begleitet AI-Unternehmen, strategische Käufer und Finanzinvestoren entlang des gesamten Transaktionsprozesses. Wir verbinden institutionelle M&A-Execution mit tiefem Verständnis für Software, IT-Services, Daten und Technologie. Von Exit-Readiness und Unternehmensbewertung über Käufer- und Target-Identifikation bis zu Due Diligence, Verhandlung und Closing schaffen wir eine belastbare Grundlage für erfolgreiche AI-M&A-Transaktionen.

AI-Unternehmen werden im M&A-Prozess nicht allein nach Umsatzwachstum oder technologischer Vision bewertet. Käufer und Investoren erwarten einen nachvollziehbaren wirtschaftlichen Mehrwert, belastbare Kundenbindung, skalierbare Unit Economics und eine klare Antwort auf die Frage, warum das Geschäftsmodell auch bei schnellen technologischen Veränderungen nachhaltig bestehen kann. neomerge analysiert AI-Geschäftsmodelle ganzheitlich. Dazu gehören Markt und Wettbewerb, Produkt und AI-Stack, Datenbasis, Modell- und Infrastrukturabhängigkeiten, Kunden-ROI, Pricing, wiederkehrende Erlöse, Compute-Kosten, Management, IP, Datenschutz, Cybersecurity und regulatorische Einordnung. Diese Erkenntnisse fließen in Unternehmensbewertung, Equity Story, Transaktionsstrategie und Due Diligence ein. Auf der Sell-Side unterstützen wir Gründer und Gesellschafter bei Unternehmensverkauf, Nachfolge und Wachstumskapital. Auf der Buy-Side beraten wir strategische Käufer, Private Equity, Family Offices und Portfoliounternehmen bei Akquisitionen, Buy-and-Build und proprietärem Deal Sourcing. Unser Anspruch ist nicht, eine allgemeine AI-Erzählung zu vermarkten, sondern die konkrete technologische und wirtschaftliche Differenzierung belastbar nachzuweisen.

Die kommerzielle Nutzung künstlicher Intelligenz hat sich deutlich beschleunigt. Nach Eurostat setzten 2025 rund 20 Prozent der EU-Unternehmen AI-Technologien ein; bei großen Unternehmen lag der Anteil bei rund 55 Prozent. In Deutschland nutzten nach Destatis 26 Prozent der Unternehmen mit mindestens zehn Beschäftigten AI, bei Großunternehmen waren es 57 Prozent. Die Entwicklung schafft einen wachsenden Markt für Anwendungen, Infrastruktur, Daten, Governance und Services. Gleichzeitig fließt außergewöhnlich viel Kapital in den Sektor. Der Stanford AI Index 2026 weist für 2025 globale private AI-Investitionen von rund 344,7 Milliarden US-Dollar und globale Corporate-AI-Investitionen von rund 581,7 Milliarden US-Dollar aus. Generative AI vereinte einen besonders hohen Anteil der privaten Finanzierung auf sich. Das hohe Kapitalangebot bedeutet jedoch nicht, dass jedes AI-Unternehmen eine Premiumbewertung erzielt. Investoren differenzieren stärker nach Kundennutzen, Daten- und IP-Position, Gross Margin, Compute-Effizienz, regulatorischer Readiness und nachhaltiger Defensibilität. Unternehmen mit austauschbaren Funktionen oder hoher Abhängigkeit von Drittmodellen müssen ihre Equity Story besonders präzise belegen.

Der Begriff künstliche Intelligenz umfasst sehr unterschiedliche Technologie- und Geschäftsmodelle. Ein Anbieter eigener Foundation Models hat eine andere Kosten-, Kapital- und Risikostruktur als eine vertikale AI-Anwendung für Versicherungen, ein MLOps-Unternehmen oder ein AI-Beratungsunternehmen. Für eine professionelle AI-M&A-Beratung ist deshalb eine klare Segmentierung erforderlich. Zu den wichtigsten Kategorien zählen Foundation Models und General-Purpose-AI, AI-Infrastruktur und Compute, Daten- und Vektorplattformen, MLOps und Observability, AI-Security und Governance, horizontale Copilots, vertikale AI-Software, intelligente Automatisierung, AI-enabled Software, AI-Services sowie Robotik und autonome Systeme. Jedes Segment besitzt eigene Werttreiber. Foundation-Model-Anbieter benötigen außergewöhnliche Daten-, Talent- und Compute-Ressourcen. Vertikale Anwendungen werden stärker nach Workflow-Integration, Domänenwissen und Distribution bewertet. MLOps-Plattformen profitieren von wiederkehrender Nutzung und wachsender Governance-Komplexität. AI-Services-Unternehmen müssen zeigen, dass sie Produktivität, wiederverwendbare IP und Managed Services entwickeln und nicht ausschließlich personalintensive Projekte verkaufen.

Unternehmen verschieben ihren Fokus von experimentellen Proofs of Concept zu produktiven AI-Systemen mit klaren wirtschaftlichen Ergebnissen. Entscheidend sind nicht mehr allein technische Demonstrationen, sondern messbare Verbesserungen bei Umsatz, Produktivität, Qualität, Geschwindigkeit oder Risiko. AI-Anbieter müssen daher nachvollziehbar zeigen, welche Prozesse sie verändern, wie schnell Kunden einen Return on Investment realisieren und ob die Lösung dauerhaft genutzt wird. Im M&A-Prozess führt diese Entwicklung zu höheren Anforderungen an Kundenreferenzen, Nutzungsdaten, Kohorten, Expansion Revenue und konkrete Business Cases. Käufer prüfen, ob ein Produkt tief in kritische Workflows integriert ist oder lediglich eine leicht austauschbare Zusatzfunktion darstellt. Hohe Nutzung und starke Retention sind dabei aussagekräftiger als eine große Zahl unverbindlicher Pilotprojekte. Für Verkäufer ist es wichtig, die AI-Equity-Story nicht ausschließlich technologisch aufzubauen. Eine überzeugende Positionierung verbindet Modell- und Produktkompetenz mit einem klaren ökonomischen Nutzen für den Kunden.

Agentic AI erweitert klassische Assistenzfunktionen um die Fähigkeit, mehrstufige Aufgaben zu planen, Werkzeuge aufzurufen und Prozesse weitgehend autonom auszuführen. Daraus entstehen neue Anwendungen in Kundenservice, Softwareentwicklung, Finance, Procurement, Vertrieb, Wissensmanagement und Operations. Für AI-Unternehmen bietet dies die Chance, tiefer in geschäftskritische Workflows einzudringen und den Kundennutzen stärker ergebnisorientiert zu monetarisieren. Gleichzeitig steigen die Anforderungen an Berechtigungen, Monitoring, Sicherheit, Nachvollziehbarkeit und Human Oversight. Fehler eines Agents können unmittelbare operative oder rechtliche Auswirkungen haben. Käufer analysieren daher nicht nur die Leistungsfähigkeit des Modells, sondern die gesamte Orchestrierung: Tool-Zugriffe, Identity Management, Guardrails, Audit Logs, Eskalationsprozesse und Robustheit. Unternehmen mit sicherer, domänenspezifischer Agentenarchitektur und belegbarem ROI können eine attraktive strategische Position aufbauen.

Vertikale AI-Lösungen konzentrieren sich auf spezifische Branchen und Prozesse – beispielsweise Versicherungsprüfung, medizinische Dokumentation, industrielle Qualitätssicherung, Rechtsanalyse, Logistik oder Finanzprozesse. Ihr Vorteil liegt häufig nicht in einem eigenen Foundation Model, sondern in Domänenwissen, proprietären Daten, Workflow-Integration und branchenspezifischer Compliance. Für Käufer können solche Unternehmen besonders attraktiv sein, weil sie Zugang zu spezialisierten Kunden, Daten und Anwendungsfällen schaffen. Eine starke vertikale Lösung besitzt hohe Wechselkosten, klare Distribution und eine tiefere wirtschaftliche Relevanz als ein generischer AI-Wrapper. Die Due Diligence muss prüfen, ob das Domänenwissen tatsächlich im Produkt, in Daten und Prozessen verankert ist oder ausschließlich bei einzelnen Gründern beziehungsweise Beratern liegt. Ebenso wichtig sind regulatorische Anforderungen und die Übertragbarkeit auf zusätzliche Kunden, Regionen oder angrenzende Workflows.

Die Leistungsfähigkeit von Foundation Models entwickelt sich schnell, während leistungsfähige Open-Source- und kommerzielle Modelle breiter verfügbar werden. Für viele Anwendungen sinkt damit die Notwendigkeit, ein eigenes Basismodell zu entwickeln. Gleichzeitig wächst das Risiko, dass reine Modellzugänge oder einfache Benutzeroberflächen schnell austauschbar werden. Nachhaltige Differenzierung entsteht zunehmend oberhalb des Basismodells: durch eigene Daten, Fine-Tuning, Evaluation, Workflow-Integration, Distribution, Sicherheit und Domänenwissen. Multi-Model-Architekturen können Abhängigkeiten reduzieren und ermöglichen, Leistung und Kosten dynamisch zu optimieren. Im M&A-Prozess werden technische Portabilität, Anbieterabhängigkeit, Lizenzbedingungen, eigene IP und die Fähigkeit geprüft, bei Modellwechseln Produktqualität und Kundenerfahrung zu erhalten. Käufer zahlen nicht automatisch eine Prämie für den Begriff AI, sondern für eine verteidigungsfähige Position in der Wertschöpfungskette.

AI benötigt erhebliche Rechen-, Speicher- und Netzwerkressourcen. Der Zugang zu Chips, Cloud-Kapazität und optimierter Infrastruktur beeinflusst Produktleistung, Skalierbarkeit und Bruttomarge. Unternehmen müssen entscheiden, welche Workloads über kommerzielle APIs, eigene Cloud-Umgebungen, spezialisierte Inference-Anbieter oder Edge-Infrastruktur betrieben werden. Für Investoren sind Compute Economics zu einem zentralen Bewertungsfeld geworden. Relevante KPIs sind Kosten pro Anfrage oder Workflow, Inferenzkosten als Umsatzanteil, Modellrouting, Auslastung, Latenz, Reservierungsverträge und mögliche Skaleneffekte. Eine hohe Nutzung kann ohne effiziente Infrastruktur die Marge verschlechtern. Gleichzeitig gewinnt europäische Technologie- und Cloud-Souveränität an Bedeutung. Die EU hat im Juni 2026 ein Technologiesouveränitäts-Paket mit Initiativen für Cloud und AI vorgestellt. Anbieter, die Sicherheit, Datenkontrolle, Portabilität und wirtschaftliche Effizienz verbinden, können sich bei regulierten und europäischen Kunden differenzieren.

Daten bleiben ein zentraler Bestandteil vieler AI-Geschäftsmodelle. Ein echter Datenvorteil entsteht jedoch nur, wenn das Unternehmen rechtmäßigen, wiederholbaren Zugang zu relevanten Daten besitzt und diese systematisch zur Verbesserung von Produkt und Modell nutzt. Ein Data Flywheel verbindet Nutzung, Feedback und Produktverbesserung, sodass zusätzliche Kunden und Interaktionen die Qualität erhöhen können. Synthetische Daten können Trainings- und Testmöglichkeiten erweitern, ersetzen aber nicht automatisch reale Datenqualität und müssen auf Verzerrungen und Realitätsnähe geprüft werden. Käufer analysieren Datenherkunft, Rechte, Qualität, Labeling, Repräsentativität, Aktualität, Datenschutz und Übertragbarkeit. Ein großer Datensatz ohne klare Rechte oder nachweisbaren Performance-Effekt besitzt begrenzten Wert. Besonders attraktiv sind Datenpositionen, die eng mit exklusiven Workflows, langjährigen Kundenbeziehungen oder regulatorisch schwer zugänglichen Bereichen verbunden sind.

Mit der Verbreitung produktiver AI-Systeme steigt der Bedarf, Modelle zuverlässig bereitzustellen, zu überwachen und laufend zu verbessern. MLOps und AI Observability umfassen Deployment, Versionierung, Daten- und Model Drift, Evaluation, Kostenmonitoring, Sicherheit, Compliance und Retraining. Diese Funktionen werden besonders wichtig, wenn Unternehmen mehrere Modelle, Agenten und Datenquellen einsetzen. Manuelle Prüfungen reichen bei wachsender Skalierung nicht aus. Kunden benötigen Plattformen und Managed Services, die technische Leistung, Risiko und wirtschaftliche Effizienz kontinuierlich messen. Aus M&A-Sicht bieten MLOps-Anbieter attraktive wiederkehrende Erlösmodelle und hohe Integrationstiefe. Käufer prüfen jedoch die Differenzierung gegenüber Cloud-Plattformen und Open-Source-Tools, die Breite der Integrationen, Kundenbindung und die Fähigkeit, neue Modelltypen zu unterstützen. Ein klarer Platz in der produktiven AI-Infrastruktur kann strategisch wertvoller sein als kurzfristig hohe Projektumsätze.

AI schafft neue Cyberrisiken und erweitert die klassische Softwarelieferkette um Modelle, Datensätze, Prompts, Agenten, Plugins und externe APIs. Angriffe können Daten oder Modelle manipulieren, vertrauliche Informationen extrahieren oder autonome Systeme zu unerwünschten Aktionen veranlassen. AI-Security umfasst deshalb mehr als den Schutz der Infrastruktur. Relevante Felder sind Prompt-Injection-Abwehr, Modell- und Datenintegrität, Zugangskontrolle, sichere Tool-Nutzung, Output-Filter, Red-Teaming, Monitoring und Incident Response. Gleichzeitig setzen Cybersecurity-Anbieter AI ein, um Bedrohungen schneller zu erkennen und Security Operations zu automatisieren. Im M&A-Prozess werden die eigenen Security Controls des Targets ebenso geprüft wie potenzielle Haftungsrisiken aus dem Produkt. Unternehmen mit integrierter AI-Security, nachvollziehbaren Tests und belastbarer Governance können Kundenvertrauen und regulatorische Readiness als Wettbewerbsvorteil nutzen.

Der EU AI Act verändert die Anforderungen an Entwicklung, Vermarktung und Nutzung von AI-Systemen. Verbote bestimmter Praktiken und AI-Literacy-Pflichten gelten seit Februar 2025; Regeln für General-Purpose-AI-Modelle seit August 2025. Die Ende Juni 2026 final gebilligte Vereinfachungsnovelle verschiebt die umfassenden Hochrisiko-Pflichten auf spätestens Dezember 2027 beziehungsweise August 2028. Transparenz- und weitere Vorgaben folgen differenzierten Zeitplänen. Für AI-Unternehmen ist Compliance nicht nur ein Rechtsthema. Kunden erwarten zunehmend dokumentierte Rollen, Risikoanalysen, Daten-Governance, Human Oversight, Monitoring und Incident-Prozesse. Compliance-by-Design kann Verkaufszyklen verkürzen und den Zugang zu regulierten Branchen erleichtern. In der Due Diligence wird geprüft, welche Rolle das Unternehmen im AI-Act-Ökosystem einnimmt, wie Systeme klassifiziert werden und ob technische sowie organisatorische Nachweise vorliegen. Unklare Klassifizierung oder fehlende Dokumentation kann Bewertung, Garantien und Closing-Risiko beeinflussen.

AI-Unternehmen müssen nachweisen, dass personenbezogene Daten in Entwicklung und Betrieb rechtmäßig verarbeitet werden. Die Prüfung umfasst Rechtsgrundlagen, Transparenz, Zweckbindung, Datenminimierung, Betroffenenrechte, Anonymisierung, internationale Transfers und besondere Kategorien personenbezogener Daten. Die EDPB-Stellungnahme zu AI-Modellen macht deutlich, dass die Rechtmäßigkeit der Entwicklung Auswirkungen auf die spätere Nutzung eines Modells haben kann. Käufer müssen daher nicht nur aktuelle Datenschutzhinweise, sondern die gesamte Datenhistorie verstehen. Auch Kundendaten dürfen häufig nur für klar definierte Zwecke genutzt werden. Vertrauenswürdige AI verbindet Datenschutz, Fairness, Robustheit, Transparenz und menschliche Kontrolle. Unternehmen, die diese Anforderungen früh in Produkt und Prozesse integrieren, reduzieren Transaktionsrisiken und können sich gegenüber Enterprise-Kunden und regulierten Branchen positiv differenzieren.

AI verändert auch Beratungs-, Softwareentwicklungs- und IT-Services-Unternehmen. Automatisierung kann Projektgeschwindigkeit und Produktivität erhöhen, gleichzeitig aber traditionelle Stundenmodelle unter Preisdruck setzen. Entscheidend ist, wer den Produktivitätsgewinn wirtschaftlich behält. Attraktive AI-enabled Service Provider entwickeln wiederverwendbare Tools, proprietäre Workflows, outcome-basierte Preise und Managed Services. Sie nutzen AI nicht nur zur Senkung interner Kosten, sondern schaffen neue Erlöse und stärkere Kundenbindung. Reine Kapazitätsmodelle ohne Domänenwissen oder IP sind stärker von Substitution betroffen. Käufer und Finanzierungspartner prüfen deshalb, wie sich AI auf Auslastung, Pricing, Gross Margin, Headcount-Wachstum und Kundenbudgets auswirkt. Unternehmen sollten frühzeitig Daten vorlegen, die zeigen, ob AI zu nachhaltiger Skalierung und nicht nur zu kurzfristiger Projektbeschleunigung führt.

AI-Talent bleibt knapp und ist häufig ein wesentlicher Akquisitionsgrund. Strategische Käufer erwerben Teams, um Zugang zu Forschung, Produktentwicklung, Datenkompetenz oder spezifischer Branchenerfahrung zu erhalten. Solche Acqui-Hire-Elemente können den Transaktionswert erhöhen, machen Mitarbeiterbindung und Integrationsplanung jedoch besonders wichtig. Käufer prüfen Gründerrollen, Schlüsselmitarbeiter, Vergütung, Vesting, Wettbewerbsverbote, Publikations- und Forschungsrechte sowie die Fähigkeit, das Produkt unabhängig von wenigen Personen weiterzuentwickeln. Bei akademischen Spin-offs sind zusätzlich Rechte von Hochschulen, Fördergebern und Forschungspartnern relevant. Für Verkäufer ist eine klare Talent- und Nachfolgeplanung entscheidend. Ein Unternehmen mit dokumentierten Entwicklungsprozessen, starker zweiter Führungsebene und langfristig gebundenem Schlüsselteam wird regelmäßig belastbarer bewertet als ein Geschäftsmodell, dessen technologische Substanz ausschließlich bei den Gründern liegt.

AI-Unternehmen operieren in einem Markt mit außergewöhnlich kurzen Innovationszyklen. Modelle, Infrastrukturpreise und Wettbewerbsangebote können sich innerhalb weniger Monate verändern. Daraus entstehen hohe Anforderungen an Produktgeschwindigkeit, Kapitalplanung und strategische Fokussierung. Zu den wichtigsten Herausforderungen zählen die Abhängigkeit von Foundation Models und Hyperscalern, begrenzter Zugang zu Compute und Talent, ungeklärte Daten- und IP-Rechte, steigende Compliance-Anforderungen, Cybersecurity sowie die Gefahr der technologischen Kommoditisierung. Hinzu kommt die Notwendigkeit, Pilotprojekte in wiederkehrende, profitable Kundenbeziehungen zu überführen. Eine M&A-, Finanzierungs- oder Partnerschaftsstrategie kann helfen, diese Herausforderungen schneller zu adressieren. Ein strategischer Käufer kann Distribution, Daten und Infrastruktur einbringen; ein Growth-Investor kann Internationalisierung und Produktentwicklung finanzieren; eine Akquisition kann fehlende Fähigkeiten oder Kundenbeziehungen ergänzen. neomerge unterstützt bei der Auswahl und Umsetzung des geeigneten Wegs.

Der Unternehmenswert eines AI-Unternehmens entsteht aus einem Zusammenspiel technologischer, kommerzieller und finanzieller Faktoren. Zu den zentralen Werttreibern gehören:

‍

1. Ein klar belegbarer Kundennutzen und messbarer Return on Investment.

2. Starkes organisches Wachstum und hohe Kundenbindung.

3. Wiederkehrende oder nutzungsbasierte Erlöse mit attraktiver Gross Margin.

4. Proprietäre Daten, Workflows, IP oder Domänenexpertise.

5. Tiefe Integration in geschäftskritische Kundenprozesse.

6. Niedrige Churn-Raten und hohe Net Revenue Retention.

7. Effiziente Compute- und Inferenzkosten.

8. Multi-Model-Fähigkeit und begrenzte Drittanbieterabhängigkeit.

9. Reproduzierbare Modellperformance und belastbare Evaluation.

10. AI-Act-, Datenschutz- und Cybersecurity-Readiness.

11. Ein starkes Management- und Entwicklungsteam.

12. Skalierbare Distribution und internationale Wachstumsoptionen.

‍

neomerge analysiert diese Faktoren im Zusammenhang und übersetzt sie in Unternehmensbewertung, Equity Story und Verhandlungsstrategie.

Eine professionelle AI-Unternehmensbewertung kombiniert intrinsische und marktorientierte Methoden. DCF-Analysen bilden zukünftige Cashflows und Kapitalbedarf ab. Trading- und Transaction-Multiples zeigen, wie vergleichbare Software-, Daten-, Infrastruktur- oder Serviceunternehmen bewertet werden. Bei Finanzinvestoren ergänzt eine LBO-Analyse die Rendite- und Finanzierungsperspektive. Die Auswahl der Kennzahl hängt vom Geschäftsmodell ab. Bei Subscription-Software können ARR und EBITDA relevant sein; bei Usage-Based-Modellen sind Gross Profit, Verbrauch, Expansion und Compute-Kosten besonders wichtig. Frühphasige Unternehmen werden stärker nach Markt, Wachstum, Produkt, Team und Unit Economics beurteilt. Ein allgemeiner AI-Aufschlag ist nicht gerechtfertigt. Käufer unterscheiden zwischen verteidigungsfähigen AI-Plattformen, vertikalen Anwendungen, AI-enabled Software und personalintensiven Services. neomerge entwickelt deshalb einen individuellen Wertkorridor, analysiert Sensitivitäten und zeigt, welche Annahmen den Wert tatsächlich bestimmen.

Eine AI Due Diligence muss die technische Leistungsfähigkeit und den wirtschaftlichen Investment Case gemeinsam prüfen. Financial und Commercial Due Diligence analysieren Umsatzqualität, Kundenkohorten, Markt, Pricing, Unit Economics und Businessplan. Product und Technology Due Diligence bewerten Architektur, Modelle, Datenpipelines, Evaluationsverfahren, Skalierbarkeit, MLOps und Produkt-Roadmap. Legal und IP Due Diligence untersuchen Eigentum an Code, Modellen und Datensätzen, Open-Source- und Drittanbieter-Lizenzen sowie Trainingsdatenrechte. Datenschutz- und Regulatory Due Diligence klären GDPR, AI Act, Rollenverteilung und mögliche Hochrisikoklassifizierung. Cybersecurity Due Diligence prüft Modell-, Daten- und Infrastrukturangriffe sowie Incident-Prozesse. neomerge koordiniert die spezialisierten Berater und führt die Ergebnisse in einer wirtschaftlichen Gesamtbewertung zusammen. Risiken werden in Kaufpreis, Earn-out, Garantien, Freistellungen, Closing Conditions und Post-Merger-Planung übersetzt.

Beim Verkauf eines AI-Unternehmens muss die Equity Story Technologie und wirtschaftlichen Nutzen glaubwürdig verbinden. neomerge bereitet Finanzkennzahlen, Kundenkohorten, Produktnutzung, Modellperformance, Datenposition, Compute Economics, Markt und regulatorische Readiness strukturiert auf. Wir erstellen Unternehmensbewertung, Teaser, Informationsmemorandum, Managementpräsentation und Datenraum und entwickeln ein internationales Käufer- und Investorenuniversum. Die Ansprache erfolgt diskret und abgestimmt. Strategische Käufer, Softwaregruppen, Cloud- und Infrastrukturanbieter sowie Finanzinvestoren können unterschiedliche Synergien und Zukunftskonzepte einbringen. Während Due Diligence und Vertragsverhandlung koordiniert neomerge sämtliche Workstreams. Neben dem Kaufpreis betrachten wir Earn-out, Rückbeteiligung, Mitarbeiterbindung, IP-Garantien, regulatorische Risiken und die künftige Rolle der Gründer. Ziel ist ein Gesamtpaket, das wirtschaftliche Attraktivität und Transaktionssicherheit verbindet.

Für Unternehmen kann eine AI-Akquisition den Zugang zu Technologie, Daten, Teams, Kunden und Marktposition erheblich beschleunigen. neomerge entwickelt gemeinsam mit dem Käufer eine klare Investmentthese: Welche Fähigkeiten fehlen? Welche Anwendungen schaffen strategischen Wert? Welche Risiken sind akzeptabel? Anschließend strukturieren wir den relevanten Markt, identifizieren geeignete AI-Unternehmen und führen eine individuelle, vertrauliche Ansprache durch. Bei konkreten Targets analysieren wir Produkt, Daten, Technologie, Kunden, Synergien, Bewertung und Integrationsfähigkeit. Die Ergebnisse bilden die Grundlage für Letter of Intent, Due Diligence und Verhandlung. Besonders wichtig ist die Integration. AI-Talent, Produktgeschwindigkeit und Innovationskultur dürfen nicht durch unklare Governance oder übermäßige Zentralisierung verloren gehen. neomerge berücksichtigt deshalb bereits vor dem Closing, welche Funktionen integriert werden sollten und wo operative Eigenständigkeit wertschaffend bleibt.

AI-Unternehmen benötigen häufig erhebliches Kapital für Produktentwicklung, Daten, Compute, Talent, Vertrieb und Internationalisierung. Eine Wachstumsfinanzierung kann als Venture Capital, Growth Equity, strategische Beteiligung, Fremdkapital oder hybride Struktur umgesetzt werden. Die geeignete Finanzierungsform hängt von Entwicklungsphase, Umsatzqualität, Kapitalbedarf, Cashflow, gewünschter Kontrolle und strategischem Mehrwert des Investors ab. Equity-Investoren können Wachstum finanzieren, führen aber zu Verwässerung und Governance-Rechten. Fremdkapital vermeidet Anteilsabgabe, setzt jedoch planbare Cashflows und ausreichende Schuldendienstfähigkeit voraus. neomerge entwickelt einen belastbaren Finanzierungsplan, erstellt Finanzmodell und Equity Story, identifiziert geeignete nationale und internationale Investoren und begleitet Managementgespräche, Term Sheet, Due Diligence und Verhandlung. Entscheidend ist nicht nur die Bewertung, sondern die langfristige Passung des Finanzierungspartners.

AI-Unternehmen sollten sich frühzeitig auf einen möglichen Verkauf oder eine Finanzierungsrunde vorbereiten. Besonders wichtig sind konsistente KPI-Definitionen, belastbare Kohorten, transparente Compute-Kosten, dokumentierte Datenrechte, IP-Zuordnung, AI-Governance und reproduzierbare Produktbenchmarks. Potenzielle Deal Breaker sollten vor der Marktansprache adressiert werden. Dazu zählen unklare Rechte an Trainingsdaten, nicht übertragbare Cloud- oder Modellverträge, fehlende Freelancer-Abtretungen, Datenschutzlücken, nicht dokumentierte Open-Source-Komponenten oder unrealistische Performance Claims. neomerge führt einen strukturierten Readiness Check durch und entwickelt eine priorisierte Roadmap. Parallel werden Businessplan, Unternehmensbewertung, Equity Story und Datenraum vorbereitet. So kann ein späterer M&A- oder Finanzierungsprozess aus einer Position der Stärke heraus gestartet werden.

Die hohe Dynamik von AI-Märkten führt häufig zu unterschiedlichen Erwartungen über zukünftiges Wachstum und Wert. Transaktionsstrukturen können helfen, diese Unterschiede auszugleichen. Neben einer vollständigen Kaufpreiszahlung beim Closing kommen Earn-outs, Rückbeteiligungen, Verkäuferdarlehen, Management-Incentivierung oder gestaffelte Beteiligungen infrage. Earn-outs können sinnvoll sein, wenn Umsatz, Produktmeilensteine oder regulatorische Freigaben noch unsicher sind. Sie müssen jedoch klar definierte Kennzahlen, Kontrollrechte und Bilanzierungsregeln enthalten. Rückbeteiligungen ermöglichen Gründern, an der weiteren Wertentwicklung zu partizipieren, erfordern aber klare Governance und Exit-Regelungen. neomerge bewertet Angebote deshalb nicht allein nach der nominellen Bewertung. Wir analysieren Auszahlungssicherheit, Verwässerung, Bedingungen, Steuerung, Haftung und künftige Wertbeteiligung und arbeiten eng mit den mandatierten Rechts- und Steuerberatern zusammen.

neomerge verbindet die Qualitäts- und Ausführungsstandards führender Investmentbanken mit der persönlichen Betreuung und Agilität einer spezialisierten, unternehmergeführten M&A-Boutique. Unser Fokus auf Software, IT-Services und technologiegetriebene Geschäftsmodelle schafft die Grundlage für eine fundierte AI-M&A-Beratung. Unser Team verfügt über M&A-, Markt-, Technologie- sowie AI- und Data-Kompetenz. Proprietäre Datenbanken, Crawler und AI-Anwendungen unterstützen Marktanalyse, Investor Matching und Deal Sourcing. Gleichzeitig koordinieren wir bei Bedarf spezialisierte AI-, Technologie-, Datenschutz-, IP- und Regulatory-Berater, damit sämtliche dealrelevanten Themen fachlich tief geprüft werden. Über den neomerge hub und unser internationales Netzwerk erreichen wir strategische Käufer, Private Equity, Growth-Investoren, Venture Capital und Family Offices. Als unabhängiger Berater sind wir ausschließlich den Interessen unserer Mandanten verpflichtet. Integrität, Vertraulichkeit und kompromisslose Arbeitsqualität stehen in jeder Phase an erster Stelle.

Automation und Robotik bieten 2026 attraktive Wachstums- und M&A-Perspektiven, belohnen jedoch technologische Differenzierung, industrielle Zuverlässigkeit und wirtschaftliche Skalierbarkeit. AI, IT/OT-Konvergenz, mobile Robotik, RaaS und neue regulatorische Anforderungen verändern Wertschöpfung und Wettbewerb. Unternehmer und Investoren benötigen deshalb eine Transaktionsstrategie, die Sektorexpertise, Unternehmensbewertung und professionelle M&A-Execution verbindet. neomerge begleitet Sie beim Unternehmensverkauf, bei der Nachfolge, Wachstumsfinanzierung, strategischen Akquisition oder Buy-and-Build-Strategie. Gemeinsam entwickeln wir eine individuelle Lösung, identifizieren relevante Käufer, Investoren oder Zielunternehmen und steuern den Prozess bis zum erfolgreichen Abschluss. Vereinbaren Sie ein vertrauliches und unverbindliches Gespräch, um Ihre strategischen und finanziellen Ziele im Bereich Automation & Robotics zu besprechen.