Private Equity tritt in eine neue Ära der beschleunigten Transformation ein, die durch KI angetrieben wird. In diesem Gespräch für Die Brücke, Elina Ashkinazi-Ildis, Partner & Lead Private Equity, und Jérôme Petit, Managing Partner, erfahren Sie, wie KI die Wertschöpfung von Portfolios, Fondsoperationen und Anlagestrategien neu definiert.

Elina Ashkinazi-Ildis begann ihre Karriere in der Strategieberatung und spezialisierte sich auf die Unterstützung von Transaktionen, bevor sie zu Die Private-Equity-Praxis von Artefact, wo sie sich auf Due Diligence, data und KI-Transformation bei Fonds und deren Portfolios konzentriert.

Jérôme Petit ist seit über 25 Jahren für globale Private-Equity-Unternehmen tätig und leitet Artefact’Arbeit mit hochkarätigen Fonds weltweit.

Skalierung von KI über den gesamten Lebenszyklus von Investitionen

Private Equity-Firmen betrachten KI nicht als experimentelle Technologie, sondern als eine struktureller Hebel für die Wettbewerbsfähigkeit. Die Industrie data bestätigt das Tempo des Wandels: drei Viertel der Private-Equity-Firmen haben bereits erheblich in die digitale Transformation investiert, wobei KI die Mehrheit dieser Investitionen ausmacht. Die Dynamik ist eindeutig, aber viele Fonds haben immer noch Schwierigkeiten, ihre Ambitionen in die Tat umzusetzen.

Die Chance erstreckt sich über den gesamten Lebenszyklus von Investitionen. Bevor Geschäfte unterzeichnet werden, KI erleichtert Sourcing und Screening indem wir relevante Akquisitionsziele identifizieren und sie mit vergleichbaren Vermögenswerten vergleichen. KI deckt auch Marktsignale schneller auf als traditionelle Forschungsmethoden.

Während der Due Diligence beschleunigen umfangreiche Sprachmodelle die Analyse komplexer Unterlagen, automatisieren die Extraktion von data und verbessern das finanzielle und operative Benchmarking. Dies verkürzt die Transaktionszeit und verbessert gleichzeitig die Analysetiefe.

Sobald Assets in das Portfolio aufgenommen werden, schafft AI weiterhin Wert. ESG-Teams nutzen es, um Performance-Indikatoren zu verfolgen, Investment-Teams verlassen sich auf es für die Marktbeobachtung und das Scouting von Add-on-Akquisitionen, und Investor Relations-Funktionen nutzen es, um schneller und präziser auf Anfragen von LPs zu reagieren.

Das Ergebnis ist nicht ein einzelner Anwendungsfall, sondern eine integrierte Intelligenzschicht, die die Entscheidungsfindung im gesamten Fonds unterstützt.

Sicherung der KI im Kern des Fonds

Der Einsatz von KI im Bereich Private Equity erfordert das Navigieren in einem einzigartig sensiblen Umfeld. Fonds verwalten höchst vertrauliche data, von der Portfolio-Performance, Deal-Pipelines und proprietären Betriebskennzahlen bis hin zur Berichterstattung für Investoren. Sicherheit, Rückverfolgbarkeit und Governance werden daher zu grundlegenden Anforderungen und nicht zu technischen Zusätzen..

Elina verdeutlicht dieses Gleichgewicht am Beispiel von Ardian, wo sichere generative KI-Funktionen innerhalb der fondseigenen cloud-Infrastruktur eingesetzt wurden.

“Sicherheit ist das A und O in dieser Branche”.” erklärt sie. “Wir setzen Lösungen innerhalb der Umgebung des Kunden ein, um die volle Kontrolle über data, den Zugriff und die Rückverfolgbarkeit zu gewährleisten.”

Benutzerdefinierte Architekturen ermöglichen auch Leistungssteigerungen. Fortschrittliche Abfrage-Frameworks stellen sicher, dass die Modelle präzise, überprüfbare Antworten liefern und nicht nur generische Ausgaben.. Kostenoptimierung ist ein weiterer Faktor: Maßgeschneiderte Implementierungen können die KI-Betriebskosten im Vergleich zu Standardlizenzmodellen um das Vier- bis Zehnfache senken, je nach Nutzungsintensität.

Das Ergebnis ist eine kontrollierte und dennoch skalierbare KI-Umgebung, die eher auf institutionelle Strenge als auf Experimente ausgelegt ist.

Mehr als nur Werkzeuge: Die Funktionsweise von Fonds umgestalten

Während dem Technologieeinsatz viel Aufmerksamkeit geschenkt wird, liegt der tiefgreifende Wandel woanders. Die Einführung von KI legt unweigerlich strukturelle Ineffizienzen in bestehenden Arbeitsabläufen offen: manuelle Berichtsketten, fragmentierter data-Zugang und doppelte Analysen werden zu Engpässen, sobald die Automatisierung eingeführt wird.

Wie Jérôme erklärt, “Die Technologie ist nicht mehr der schwierigste Teil. Die eigentliche Arbeit besteht darin, die Prozesse von Grund auf zu überdenken, um KI vollständig zu nutzen.”

Aus diesem Grund konzentrieren sich viele Transformationsprogramme sowohl auf die Neugestaltung des Betriebsmodells als auch auf die technische Befähigung. Die Initiativen erstrecken sich auf Deal-Teams, ESG, Investor Relations, Fondsverwaltung und Marketingfunktionen und richten sie auf KI-gestützte Arbeitsabläufe aus.

Die Auswirkungen können schnell sein. In manchen Fällen, eine umfassende Neugestaltung des Betriebsmodells kann innerhalb von drei Monaten umgesetzt werden, Die Art und Weise, wie allgemeine Partner auf Erkenntnisse zugreifen, zusammenarbeiten und Entscheidungen treffen, wird dadurch grundlegend verändert. Auf diese Weise, KI wird zum Katalysator für organisatorische Neuerungen, nicht nur Produktivitätsgewinne.

Aktivieren von Werten in Portfoliounternehmen

Wenn KI das Fondsgeschäft verbessert, sein größtes Potenzial zur Wertschöpfung in den Portfoliounternehmen selbst liegt. Private-Equity-Firmen betrachten den Reifegrad von KI zunehmend als einen Treiber für die Bewertung. In der Vergangenheit konzentrierten sich die fortschrittlichen Analysefähigkeiten jedoch auf große Unternehmen mit umfangreichen technischen Ressourcen. Dieses Paradigma verschiebt sich.

“KI wurde früher als ein Luxus angesehen, der großen Unternehmen vorbehalten war. Heute können auch mittelständische Unternehmen gezielte, hochwirksame Anwendungsfälle einsetzen”.” bemerkt Elina.

Der erste Schritt ist die Diagnose: Bewertung der data- und KI-Reife jedes Unternehmens, des Risikos einer Störung und des Wertschöpfungspotenzials. Diese Bewertung berücksichtigt in der Regel:

  • Betriebliche und kommerzielle Verfügbarkeit des data
  • Wettbewerb durch KI-Disruption
  • Interne digitale Fähigkeiten
  • Strategische Wachstumsprioritäten

Dann, Priorisierte Anwendungsfälle werden auf der Grundlage von Machbarkeit und Geschäftsauswirkungen identifiziert. Zu den üblichen portfolioübergreifenden Möglichkeiten gehören:

  • Interne GenAI-Copiloten zur Automatisierung von Berichten, E-Mails und CRM-Aktualisierungen
  • Lead-Generierung und B2B-Marketing-Intelligenz
  • Beschleunigung von RFP und Ausschreibungsantworten
  • Wissensmanagement im Vertrieb und Ausarbeitung von Angeboten

Diese werden häufig durch sektorspezifische Initiativen ergänzt, die auf das verarbeitende Gewerbe, das Gesundheitswesen, den Dienstleistungssektor oder den industriellen Kontext zugeschnitten sind. Geschwindigkeit ist entscheidend. Erste Reifeprüfungen können in weniger als einem Monat durchgeführt werden, und Pilotprojekte werden kurz darauf gestartet. Dieses schnelle Aktivierungsmodell ermöglicht es den Fonds, Hypothesen zur Wertschöpfung zu testen, bevor sie sich zu groß angelegten Investitionen verpflichten.

Bau des data foundations

Sowohl auf Fonds- als auch auf Portfolioebene gibt es eine gemeinsame Voraussetzung für KI: einheitlich, zugänglich data. Wie Jérôme es ausdrückt, “Kein data, keine KI.”

Viele Fonds investieren daher in zentralisierte data platforms, die Informationen von Portfoliounternehmen, Drittanbietern und internen Berichtssystemen konsolidieren. Dies wurde bei Ardian durch die Entwicklung eines cloud-basierten analytischen data platform umgesetzt, der für:

  • Aggregierte finanzielle und operative data
  • Automatisieren Sie Ihre Berichtsabläufe
  • Verbessern Sie Berechnungsgeschwindigkeit und Latenzzeit
  • Verbessern Sie data Genauigkeit und Kontrolle

Solche Plattformen funktionieren wie lebende Ökosysteme. Neue data-Sets, Tools und Anwendungen werden nach und nach integriert und ermöglichen so eine kontinuierliche Erweiterung der analytischen Fähigkeiten. Data-Marktplätze beschleunigen die Akzeptanz weiter, indem sie den direkten Zugang zu externen Informationsquellen ohne komplexe API-Integrationen ermöglichen. Für Fonds bedeutet dies Die Infrastruktur wird zum Rückgrat der KI-Skalierbarkeit und stellt sicher, dass die Erkenntnisse nicht isoliert, sondern gemeinsam genutzt werden. zwischen Investment- und operativen Teams.

Von der Erprobung zur alltäglichen Anwendung

Eine der auffälligsten Entwicklungen bei der Einführung von KI bei Private Equity ist eher kultureller als technischer Natur: Was als beratungsgestütztes Experiment begann, wird zur teamgeführten Innovation.

Sobald sichere KI-Umgebungen eingerichtet sind, finden Deal-Teams, ESG-Spezialisten und Investor Relations-Fachleute schnell neue Anwendungen, die ihren täglichen Herausforderungen entsprechen.

Wie Elina bemerkt, “KI ist nicht länger eine Spielerei. Sie wird Teil der täglichen Arbeit. Die Teams selbst finden neue Wege, sie zu nutzen, die wir nicht vorhergesehen haben.”

Diese Übernahme von unten nach oben spiegelt einen breiteren Wandel wider: KI entwickelt sich von einer spezialisierten Fähigkeit zu einem institutionellen Reflex, eingebettet in die Art und Weise, wie Fonds arbeiten, analysieren und kommunizieren.

Schlussfolgerung: Ein neuer strategischer Imperativ für Private Equity

Die Auswirkungen der KI auf Private Equity sind nicht mehr nur theoretisch. Sie ist operativ, messbar und beschleunigend. Fonds, die KI nutzen, verbessern nicht nur ihre Effizienz, sondern verändern auch die Wertschöpfung über den gesamten Lebenszyklus von Investitionen. Von der Beschaffung und Prüfung bis hin zum Portfoliowachstum und der Bereitschaft zum Ausstieg - KI wird zu einem Multiplikator für Geschwindigkeit und Erkenntnis.

Die Unternehmen, die diesen Wandel anführen werden, sind diejenigen, die den KI als Infrastruktur, nicht als Toolset. Durch Investitionen in sicheres data foundations, die Neugestaltung von Betriebsmodellen und die Skalierung von Kapazitäten in ihren Portfolios definieren sie die Mechanismen der Wertschöpfung neu.

In einer Branche, in der das Timing die Rendite bestimmt, ist die Fähigkeit, die Intelligenz in großem Maßstab operationalisieren könnte die nächste Grenze des Wettbewerbsvorteils werden.