Private Equity baut interne Strategieteams auf. Baut es die richtige Fähigkeit?

Innerhalb von Private Equity vollzieht sich gerade eine interessante Verschiebung.

Mehr Mid-Market-Firmen professionalisieren die Wertschöpfung über das traditionelle Operating-Partner-Modell hinaus. Sie bauen interne Strategiefunktionen mit einem breiten Mandat über den gesamten Investmentzyklus auf: Commercial Due Diligence unterstützen, die Investmentthese in einen mehrjährigen Value Creation Plan übersetzen, mit der Portfolioführung an strategischen Prioritäten arbeiten, wiederholbare Playbooks kodifizieren, Best Practices über das Portfolio tragen und externe Strategieberatungen und Spezialanbieter steuern.

Die Richtung passt zur breiteren Verschiebung in der Branche. Bains Global Private Equity Report 2026 beschreibt eine neue Ära, in der Renditen von operativer Wertschöpfung abhängen statt von Leverage und Multiple-Expansion — und in der wiederholbares Alpha „heavy investment in specialization, mission-critical capabilities, broad ecosystems, and world-class talent“ verlangt.

Der Logik ist schwer zu widersprechen.

Wenn ein Fonds denselben Typ strategischen Denkens wiederholt extern einkauft, warum diese Fähigkeit nicht stärker intern aufbauen?

Ich finde, das sollten sie tun.

Aber es gibt einen Haken.

Die anspruchsvollsten PE-Firmen institutionalisieren womöglich das traditionelle Beratungsmodell genau in dem Moment, in dem KI zu verändern beginnt, was eine Value-Creation-Funktion tatsächlich tun sollte.

1. Sie stellen vielleicht die richtigen Leute für das falsche Operating Model ein

Schauen Sie sich an, was von einem starken zentralen Strategieteam typischerweise erwartet wird.

Faktenbasen aufbauen. Strategische Planungssessions durchführen. VCPs entwickeln. Portfoliounternehmen bei der Priorisierung von Wachstumsinitiativen helfen. Due Diligence unterstützen. Externe Berater auswählen. Lektionen in Frameworks und wiederverwendbare Playbooks verwandeln.

Alles wertvoll.

Aber strukturell folgt es noch immer einem vertrauten Modell:

das Geschäft analysieren, die strategischen Prioritäten definieren, sie in Initiativen übersetzen und dann Managementteams und externe Spezialisten für die Umsetzung mobilisieren.

Dieses Modell hat Private Equity gut gedient.

Die Frage ist, ob es noch ausreicht.

KI beginnt, die Distanz zwischen Strategie und Umsetzung zu verkürzen. Einige der strategischen Fragen, die früher zu einem sechsmonatigen Transformationsprogramm geworden wären, lassen sich zunehmend direkt im Workflow testen.

Nehmen Sie Commercial Excellence.

Die traditionelle strategische Initiative wäre vielleicht: die Account-Priorisierung verbessern, den Cross-Sell erhöhen oder die Vertriebsproduktivität steigern.

Heute ist die nützlichere Frage womöglich viel konkreter:

Könnte ein KI-gestützter Workflow kontinuierlich Accounts recherchieren, kommerzielle Signale erkennen, Whitespace identifizieren, die erste Aktion vorbereiten und daraus lernen, was Vertriebsmitarbeiter mit diesen Empfehlungen tatsächlich machen?

Dasselbe gilt für Pricing, Einkauf, Finance, Service Operations und Wissensarbeit.

Das verändert die Aufgabe eines Value-Creation-Teams.

Es reicht nicht mehr zu wissen, was das Unternehmen verbessern sollte.

Das Team braucht zunehmend einen Weg zu bestimmen, was im Unternehmen anders funktionieren sollte, ob KI es wesentlich verändern kann und wie schnell sich diese Hypothese beweisen oder beerdigen lässt.

Das ist eine andere Fähigkeit.

Und einen „KI-Experten“ zum bestehenden Operating Model hinzuzufügen, erzeugt sie nicht automatisch.

2. Ein Value Creation Plan voller Initiativen reicht nicht mehr

Der VCP ist eines der wichtigsten Artefakte der Private-Equity-Wertschöpfung.

Er übersetzt die Investmentthese in konkrete Prioritäten: Wachstum, Margenausweitung, Pricing, Working Capital, M&A, Organisation, Technologie.

Aber schauen Sie unter viele dieser Prioritäten, und Sie landen schnell bei Workflows.

„Die kommerzielle Produktivität verbessern“ heißt letztlich: verändern, wie Leads identifiziert, Accounts recherchiert, Opportunities qualifiziert, Angebote vorbereitet oder Kunden nachgefasst werden.

„SG&A reduzieren“ heißt irgendwann: verändern, wie die Arbeit in Finance, HR, Legal, Einkauf oder Customer Service erledigt wird.

„Das Pricing verbessern“ heißt: die Qualität, das Timing oder die Konsistenz von Pricing-Entscheidungen verändern.

Das ist wichtig, weil KI keinen Wert auf der Ebene eines strategischen Slogans schafft.

Sie schafft Wert — oder scheitert daran — innerhalb eines Workflows.

Deshalb bin ich überzeugt, dass KI-Use-Case-Discovery in Private Equity beim Value Creation Plan beginnen sollte — aber dort nicht enden darf.

Bei ScopeRight nutzen wir eine ziemlich einfache Abfolge.

Govern. Scope. Mobilise.

Unter Govern starten Sie bei der Investmentthese und den Werttreibern.

Welche operativen Probleme sind wirklich wichtig? Wo steckt genug ökonomischer Wert, um Managementaufmerksamkeit zu rechtfertigen? Welche KI-Use-Cases sind strategisch relevant? Welche sind attraktive PowerPoint-Ideen, die aber kaum EBITDA, Wachstum, Cash oder Risiko bewegen werden?

Der Zweck ist nicht, eine Liste von fünfzig KI-Ideen zu erzeugen.

Sondern die meisten davon zu eliminieren.

Dann kommt Scope.

Eine vielversprechende Chance muss in etwas viel Konkreteres übersetzt werden als „einen Agent ausrollen“. (Das ist dieselbe Disziplin, die wir in Wie Sie ein KI-Projekt scopen beschreiben — sie gilt genauso innerhalb eines Portfolios.)

Welcher Workflow verändert sich?

Wer ist beteiligt?

Was löst ihn aus?

Auf welche Systeme und Daten stützt er sich?

Wo kann KI eine Entscheidung treffen oder eine Aktion ausführen?

Wo bleibt menschliches Urteil erforderlich?

Was ist die Werthypothese?

Welche Kennzahl sagt uns, ob es wirklich funktioniert?

Und was würde uns stoppen lassen?

Manchmal zeigt schon diese Übung, dass der Use Case nicht weiterverfolgt werden sollte.

Das ist ein erfolgreiches Ergebnis.

Für die stärksten Fälle können Sie mit einem Minimal Viable Agent einen Schritt weitergehen: der kleinsten funktionierenden Version des neuen Workflows, die echte Beweise erzeugen kann, bevor ein signifikantes Technologie- oder Implementierungs-Commitment eingegangen wird.

Keine Technologie-Demo.

Kein Chatbot, der gebaut wurde, weil jemand „etwas mit KI machen“ wollte.

Ein bewusst begrenzter Test, ob eine andere Arbeitsweise genug Wert erzeugt, um Skalierung zu verdienen.

Diese Disziplin zählt mehr, als es scheinen mag. MITs Studie „State of AI in Business 2025“ kam zu dem Ergebnis, dass rund 95 % der Corporate-GenAI-Piloten keinen messbaren P&L-Impact liefern — vor allem, weil sie nie in einen echten Workflow eingebettet werden. Beweise, Kill-Kriterien und Workflow-Spezifität sind das, was die anderen 5 % auszeichnet.

Erst dann beginnt Mobilise.

Kaufen wir bestehende Software?

Konfigurieren wir eine Speziallösung?

Bauen wir etwas Proprietäres?

Holen wir einen Delivery-Partner?

Der Implementierungsweg folgt dem Scope — statt dass der Scope von dem Anbieter diktiert wird, der das Portfoliounternehmen zuerst erreicht hat.

Das mag wie eine KI-Methodik klingen.

Ich glaube, es ist zunehmend Teil grundlegender Wertschöpfungsdisziplin.

3. Bauen Sie keine interne KI-Fabrik. Bauen Sie ein besseres Entscheidungssystem.

Hier lauert eine weitere Falle.

Sobald PE-Firmen erkennen, dass KI mehr Struktur braucht, kann der Instinkt sein, sie zu zentralisieren.

Das KI-Team aufbauen. Die Plattform schaffen. Den bevorzugten Stack auswählen. Engineers einstellen. Die Implementierung über das Portfolio standardisieren.

Für manche Firmen wird ein Teil davon sinnvoll sein.

Aber ich wäre vorsichtig.

Ein Industrieunternehmen mit 70 Mitarbeitern, eine Professional-Services-Plattform und ein Vertical-SaaS-Business haben nicht dieselben Workflows, dieselbe Technologielandschaft, dieselben Daten oder dieselbe organisatorische Reife.

Der Versuch, alles zentral umzusetzen, kann sehr schnell teuer werden.

Viel interessanter zu zentralisieren ist das Entscheidungssystem — Portfolio-KI-Governance statt einer Portfolio-KI-Fabrik.

Ein Fonds kann einen gemeinsamen Weg schaffen, Chancen zu identifizieren, sie zu beschreiben, KI-Use-Cases über Portfoliounternehmen hinweg zu bewerten und zu priorisieren, Evidenzanforderungen zu etablieren, Kill-Kriterien anzuwenden und den Implementierungspfad zu wählen.

Er kann auch festhalten, was gelernt wurde.

Dieser letzte Teil ist wichtiger, als er zunächst erscheint.

Stellen Sie sich vor, ein Portfoliounternehmen hat bereits KI-gestützte Angebotserstellung untersucht.

Es hat gelernt, welche Daten wirklich gebraucht werden, wo Halluzination gefährlich wird, welchen Teil des Workflows Vertriebsmitarbeiter akzeptieren, welches Maß an menschlichem Review nötig ist, welche Integration sich als schwierig erwies und welcher Anbieter attraktive Versprechen machte, aber nicht liefern konnte.

Warum sollte das nächste Portfoliounternehmen bei null anfangen?

Die Antwort ist nicht unbedingt, exakt dieselbe Software auszurollen.

Der wiederverwendbare Asset kann der Scope sein.

Oder der Business Case.

Oder das Architekturmuster.

Oder ein Minimal Viable Agent.

Oder ein geprüfter Technologiepartner.

Oder schlicht der Beweis, dass ein bestimmter Ansatz nicht wiederholt werden sollte.

Hier kann das Portfolio selbst zum Vorteil werden.

Ein Unternehmen erzeugt Beweise.

Das nächste startet mit diesen Beweisen.

Das dritte verbessert das Modell erneut.

Mit der Zeit sammelt der Fonds nicht bloß KI-Projekte. Er sammelt einen viel wertvolleren Asset: ein wiederholbares Verständnis dafür, wie Technologie die operative Performance über das Portfolio hinweg verändern kann.

Deshalb halte ich den aktuellen Aufbau interner PE-Strategieteams für wichtig.

Die Richtung stimmt.

Aber das Mandat muss sich womöglich weiterentwickeln.

Das stärkste Value-Creation-Team des nächsten Jahrzehnts wird weiterhin exzellente strategische Denker brauchen. Es wird weiterhin rigorose Analysen, starke VCPs, kommerzielles Urteilsvermögen und die Fähigkeit brauchen, mit Managementteams zu arbeiten.

Aber es wird auch viel näher an die operative Realität heranrücken müssen.

Nicht indem es zum Implementierungsteam wird.

Sondern indem es außergewöhnlich gut darin wird, von der Investmentthese zum operativen Problem zu kommen, vom operativen Problem zum Beweis und vom Beweis zum richtigen Umsetzungspfad.

Private Equity hat Jahrzehnte damit verbracht, wiederholbare Systeme für bessere Investitionsentscheidungen zu bauen.

Die nächste Chance ist, genauso systematisch bei besseren operativen Entscheidungen zu werden.

Und das könnte sich als weitaus wertvoller erweisen, als ein weiteres zentrales KI-Team aufzubauen.

Genau diese Lücke soll ScopeRight füllen: eine unabhängige AI Operating Capability für Private Equity, die Seite an Seite mit internen Strategieteams arbeitet — das Use-Case-Portfolio steuert, Workflows scopet und Beweise vor der Skalierung erzeugt — ohne die Implementierung zu besitzen oder die Software zu verkaufen.