KI-Wertschöpfung in Private Equity: Wie Sie Use Cases über Portfoliounternehmen hinweg priorisieren

Drei Gespräche, ein Problem.

Ein Managing Director für Operations-Transformation bei einer paneuropäischen Private-Equity-Firma will KI-Chancen über rund fünfzig Portfoliounternehmen hinweg scopen und priorisieren — Piloten, Business Cases, Produktivitätsanalysen, eine Implementierungs-Roadmap. Eine unabhängige Beteiligungsgesellschaft mit einem Portfolio aus People-Businesses sieht KI als direkten Margenhebel, weil ein auffallend großer Teil der operativen und Wissensarbeit in ihren Unternehmen noch manuell abläuft. Und eine PE-gestützte SaaS-Plattform will von fragmentiertem Experimentieren mit KI-Tools zu einem standardisierten, AI-nativen Engineering- und Produktentwicklungsmodell kommen, in dem jede Initiative mit messbarem Business-Impact verbunden ist.

Das sehen aus wie drei verschiedene KI-Probleme. Sind es aber nicht. Es sind drei Versionen desselben Wertschöpfungsproblems — und keines davon ist primär ein Technologieproblem.

KI-Wertschöpfung über Portfoliounternehmen hinweg ist nicht primär ein Technologieauswahl-Problem. Es ist ein Portfoliomanagement- und Entscheidungssystem-Problem.

Portfoliounternehmen fehlt es nicht an KI-Ideen, und ganz sicher nicht an KI-Anbietern. Was ihnen fehlt, ist ein verlässlicher Weg zu entscheiden: wo KI bedeutsamen Wert schaffen kann, welche Chancen zu priorisieren sind, welche Initiativen zu stoppen sind, welche Beweise vor dem Skalieren nötig sind, was auf Fondsebene standardisiert werden sollte und ob jeder validierte Scope gebaut, gekauft oder mit einem Partner umgesetzt werden sollte.

Warum Portfolio-KI zum Portfoliomanagement-Problem wird

In einem einzelnen Unternehmen verschwendet ein undiszipliniertes KI-Programm Budget. Über ein Portfolio hinweg potenziert sich die Verschwendung.

Jedes Portfoliounternehmen erzeugt seine eigene Longlist an Use Cases, beschrieben auf wild unterschiedlichem Detailgrad. Die „KI-Chance“ des einen Unternehmens ist eine zweizeilige Idee aus einem Workshop; die des anderen ein durchkalkulierter Business Case mit Daten-Assessment dahinter. Wenn diese Artefakte ein Investment Committee erreichen, lassen sie sich nicht vergleichen — also fallen Finanzierungsentscheidungen zurück auf Enthusiasmus, Sponsoring und denjenigen, der am besten präsentiert.

Dabei sind die Fragen, die ein Operating Partner wirklich beantwortet braucht, Portfoliomanagement-Fragen. Wie machen wir Use Cases über Unternehmen hinweg vergleichbar? Wie unterscheiden wir technische Möglichkeit von Business-Wert? Welche Beweise verlangen wir, bevor irgendetwas skaliert wird? Wie kommen wir von isolierten Piloten zu einer kohärenten Roadmap? Was gehört auf Fondsebene, und was muss unternehmensspezifisch bleiben?

Es gibt auch einen strukturellen Grund, warum in einem Portfoliokontext mehr auf dem Spiel steht. Der Vorteil eines Fonds gegenüber einem Konzern ist Wiederholbarkeit: Eine Lektion aus einem Unternehmen kann innerhalb der Halteperiode in zehn anderen wieder eingesetzt werden. KI eignet sich ungewöhnlich gut für diese Bewegung — die Margenhebel in einem People-Business, einer SaaS-Plattform und einem Industrieunternehmen unterscheiden sich inhaltlich, aber die Disziplin, sie zu finden und zu validieren, ist identisch. Ein Fonds, der die Disziplin einmal aufbaut, amortisiert sie über jedes Unternehmen und jeden künftigen Deal. Ein Fonds, der das nicht tut, betreibt fünfzig unkoordinierte Forschungsprojekte.

Behandeln Sie das als fünfzig separate Technologiefragen, bekommen Sie fünfzig separate Antworten. Behandeln Sie es als eine Entscheidungssystem-Frage, bekommen Sie etwas, das ein Fonds tatsächlich wiederverwenden kann.

Eine Sammlung lokaler Piloten ist keine Wertschöpfungsstrategie

Der Standard-Fehlermodus ist gut gemeint: jedes Unternehmen experimentieren lassen und schauen, was hängen bleibt.

Das Ergebnis ist, dass der Fonds dieselben Lektionen mehrfach bezahlt. Jeder Pilot beantwortet eine lokale Frage mit lokalen Methoden. Nichts wird übertragbar: keine vergleichbaren Business Cases, keine gemeinsame Erfolgsdefinition, keine gemeinsamen Kill-Kriterien, kein wiederverwendbares Partner-Ökosystem. Zwei Unternehmen evaluieren im selben Quartal dieselbe Anbieterkategorie, ohne es zu wissen. Ein drittes hält einen politisch gesponserten Piloten am Leben, lange nachdem die Beweislage sich gegen ihn gewendet hat, weil niemand vorab definiert hat, wann er gestoppt wird.

Das Portfolio akkumuliert Aktivität. Es akkumuliert keine Beweise.

Die instinktive Korrektur — alles zentralisieren — scheitert in die entgegengesetzte Richtung. KI-Wert lebt in konkreten Workflows: diesem Schadenprozess, diesem Pricing-Desk, diesem Kunden-Onboarding-Flow. Ein Fonds, der die Implementierung zentralisiert, drückt am Ende Lösungen in Unternehmen, die sie nicht besitzen. Die Kunst besteht darin zu wissen, welche Ebene man standardisiert.

Was auf Fondsebene gehört

Zentralisieren Sie das Entscheidungssystem:

• Chancen-Taxonomie — eine gemeinsame Struktur zur Beschreibung von KI-Chancen, damit ein Use Case in der Logistik und ein Use Case im Underwriting in derselben Portfolio-Ansicht stehen können.
• Priorisierungsmethodik — überall dieselben Bewertungsdimensionen: strategische Relevanz, Business-Wert, technische Machbarkeit, Datenreife, Prozess-Impact, Nutzerakzeptanz, Risiko, Geschwindigkeit bis zum Beweis, Skalierbarkeit.
• Ein Mindeststandard für Business Cases — keine Initiative kommt ohne Owner, Werthypothese und KPI ins Portfolio.
• Governance und Entscheidungsrhythmus — wer das Portfolio prüft, wie oft, und mit der Autorität, Dinge zu stoppen.
• Evidenz- und Reporting-Standards — eine Single Source of Truth dafür, was jede Initiative tatsächlich bewiesen hat.
• Prinzipien für Piloten und Minimal Viable Agents — einschließlich Kill-Kriterien, die vor dem Start definiert werden.
• Geteiltes Lernen — was Unternehmen A bewiesen hat, sollte Unternehmen B nicht erneut beweisen müssen.
• Ein wiederverwendbares Partner-Ökosystem — geprüfte Lieferoptionen, zugeordnet zu Scope-Typen statt Unternehmen für Unternehmen verkauft.

Was lokal bleiben muss

Alles, was den eigentlichen Workflow berührt, bleibt beim Unternehmen: Prozess-Redesign, operative Ownership, Daten und Systeme, Lösungsarchitektur, Nutzerakzeptanz und Change Management, Implementierung und Delivery. Der Fonds standardisiert, wie Entscheidungen getroffen werden; das Unternehmen besitzt, was getan wird und wie es läuft. Fonds, die das umkehren — lockere Entscheidungsstandards, zentralisierte Delivery — bekommen das Schlechteste aus beiden Welten.

Die sieben Disziplinen der Portfolio-KI-Wertschöpfung

In der Praxis ruht Portfolio-KI-Wertschöpfung auf sieben Disziplinen.

1. Governance. Ein Portfolio-Entscheidungsrhythmus mit Biss: ein Gremium, das Beweise prüft, Aufmerksamkeit allokiert und Initiativen stoppt. Kein Lenkungsausschuss, der Fortschritt bewundert — ein Mechanismus, der Entscheidungen erzwingt.

2. Inside-out-Strukturierung der Use Cases. Bringen Sie die Ideen jedes Unternehmens auf denselben Detailgrad: der betroffene Workflow, der Nutzer, der Owner, die Werthypothese. Die meisten „KI-Strategie“-Probleme lösen sich in diesem Schritt auf, weil sich die halbe Longlist als Wunschdenken statt als Use Cases herausstellt. Das ist die Disziplin der Use-Case-Priorisierung und des Scopings, portfolioweit angewendet.

3. Business-Case-basierte Priorisierung. Bewerten Sie jeden strukturierten Use Case anhand derselben Dimensionen und ranken Sie über das Portfolio hinweg, nicht innerhalb jedes Unternehmens. Das Ergebnis ist gleichermaßen unbequem wie nützlich: Die Lieblingsprojekte mancher Unternehmen ranken weit unter dem unglamourösen Backoffice-Workflow eines anderen.

4. Kill-Kriterien. Entscheiden Sie vor dem Start, welche Beweislage jede Initiative stoppen würde. Kill-Kriterien sind das günstigste verfügbare Governance-Instrument: Sie verwandeln „wir sollten das wohl stoppen“ von einem politischen Kampf in ein vorab vereinbartes Ergebnis — und sie setzen Budget und Führungsaufmerksamkeit für das frei, was funktioniert.

5. Outside-in-Synchronisierung. Interne Teams können nur vorschlagen, was sie sehen. Peers, angrenzende Sektoren und AI-native Firmen haben bereits Ansätze getestet, die sich Ihre Unternehmen noch nicht vorgestellt haben — und Ansätze verworfen, die Ihre Unternehmen gerade finanzieren wollen. Ein Outside-in-Benchmark synchronisiert das Portfolio mit dieser externen Realität, bevor Kapital gebunden wird.

6. Minimal Viable Agents. Das Validierungsinstrument. Ein Minimal Viable Agent ist der kleinste funktionierende KI-gestützte Workflow, der technische Machbarkeit, Nutzerakzeptanz und Business-Wert End-to-End beweist — vor einer größeren Implementierung. Er ist keine Chatbot-Demo, kein losgelöster Proof of Concept und kein Pilot ohne Erfolgskriterien. Ein MVA auf einem echten Workflow mit echten Nutzern produziert mehr entscheidungsreife Beweise als ein Quartal parallelen Experimentierens.

7. Build-, Buy- oder Partner-Entscheidungen. Erst nach der Validierung wird die Lieferfrage beantwortbar. Bauen, wenn die Fähigkeit strategisch ist und das Team existiert; kaufen, wenn eine konfigurierbare Plattform den validierten Workflow abdeckt; partnern, wenn spezialisierte Geschwindigkeit oder Expertise entscheidend ist. Die Entscheidung muss unabhängig getroffen werden — ein Implementierungsanbieter, den man bittet, das Problem zu definieren, wird es ganz rational um das herum definieren, was er bereits verkauft.

Ein illustrativer 90-Tage-Ansatz

Die exakten Wochen zählen weniger als die Reihenfolge; der Zeitplan unten ist illustrativ, und das Tempo hängt von Portfoliogröße und Datenzugang ab.

Tage 1–20 — Steuern und kartieren. Portfolio-Governance und Entscheidungsrhythmus aufsetzen. Interviews zu strategischen Prioritäten mit der Unternehmensführung führen. Die Chancen-Taxonomie vereinbaren und die initiale Longlist aufbauen.

Tage 21–40 — Strukturieren und priorisieren. Use Cases auf den gemeinsamen Standard strukturieren. Werthypothesen, Machbarkeits- und Datenreife-Assessments anhängen. Über das Portfolio hinweg priorisieren und Kill-Kriterien für alles definieren, was weiterkommt.

Tage 41–70 — Validieren. Minimal Viable Agents für die ausgewählten Use Cases starten. Mit echten Nutzern validieren, Beweise gegen die vorab vereinbarten Kennzahlen sammeln und parallel die Lieferoptionen vergleichen.

Tage 71–90 — Entscheiden und mobilisieren. Go-, Redesign- oder Stopp-Entscheidungen gegen die Kill-Kriterien treffen. Build-, Buy- oder Partner-Entscheidungen pro validiertem Scope treffen. In eine Portfolio-Roadmap, ein wiederverwendbares Playbook und eine evidenzgestützte Executive-Narrative konsolidieren.

Wie ein entscheidungsreifes Ergebnis aussieht

Am Ende sollten der Fonds und jedes teilnehmende Unternehmen konkret in der Hand halten: ein priorisiertes Chancen-Portfolio; einen Business Owner pro Use Case; eine Werthypothese und KPI pro Use Case; technische und Daten-Abhängigkeiten; Adoptions-Implikationen; Kill-Kriterien; ein MVA-Briefing für jeden validierten Kandidaten; explizite Entscheidungslogik; eine Build-, Buy- oder Partner-Empfehlung; eine Portfolio-Roadmap; ein wiederverwendbares Playbook; und eine Board-taugliche Narrative, die einer Prüfung standhält, weil jede Behauptung darin auf Beweise zurückführbar ist.

Wenn ein Programm diese Liste nicht liefern kann, ist es noch kein Wertschöpfungsprogramm. Es ist Exploration — was in Ordnung ist, solange niemand sie als Wertschöpfung bepreist.

Beachten Sie, was nicht auf der Liste steht: eine Technologieempfehlung. Bis eine Plattform- oder Modellwahl relevant wird, sind Workflow, Beweislage und Lieferweg bereits klar — was die spätere Technologieentscheidung genau deshalb schnell, vergleichbar und für einen Anbieter schwer verzerrbar macht.

Häufige Fehlermodi

Die wiederkehrenden Arten, wie Portfolio-KI-Programme schieflaufen, ungefähr in der Reihenfolge ihres Auftretens:

• Mit der Technologie starten — eine Plattform auswählen, bevor Workflow und Geschäftsanforderung verstanden sind.
• Jedes Unternehmen seine eigene Methodik erfinden lassen — was unvergleichbare Business Cases garantiert.
• Die Implementierung zu aggressiv zentralisieren — Teams auf Fondsebene liefern Lösungen, die kein Unternehmen besitzt.
• Zu viele Piloten starten — die Führungsaufmerksamkeit verdünnen, bis nichts zur Beweislage kommt.
• Aktivität statt Wert messen — Piloten und Workshops zählen statt validierter Ergebnisse.
• Datenreife als binär behandeln — auf perfekte Daten warten, statt zu scopen, was für v1 gut genug ist.
• Partner auswählen, bevor der Scope definiert ist — den Anbieter einladen, das Problem um sein Produkt herum zu definieren.
• Politisch gesponserte Piloten am Leben halten — die direkten Kosten fehlender Kill-Kriterien.
• Den Workflow nicht neu gestalten — KI auf einen unveränderten Prozess legen und sich wundern, warum der Wert nie ankommt.

Jeder dieser Punkte ist ein Entscheidungssystem-Versagen. Keiner ist ein Technologieversagen.

Das Entscheidungssystem ist der Asset

Das bleibende Ergebnis eines Portfolio-KI-Programms ist kein einzelner Use Case. Es ist das wiederholbare System: die Taxonomie, die Priorisierungsmethodik, die Evidenzstandards, die Kill-Disziplin, das Validierungsinstrument, das Partner-Ökosystem. Use Cases kommen und gehen; das System verzinst sich über Unternehmen und Deals hinweg — es ist im Effekt die AI-Portfolio-Strategie des Fonds, operationalisiert.

Genau hier verdient Unabhängigkeit ihren Wert. Ein Fonds braucht keine weitere Partei mit einem Anreiz, eine große Implementierung zu empfehlen. Er braucht die Scoping-, Priorisierungs- und Validierungsebene bei einem Berater, der am Build nichts verdient — damit das, was finanziert wird, vom Business Case bestimmt wird und von nichts anderem.