Jeden Montag tritt das Investitionskomitee von Blackstone zusammen, um über Akquisitionen zu entscheiden. Mittlerweile wird nahezu jeder vorgestellte Deal von zwei Entscheidungsvorlagen begleitet. Ein Dokument stammt vom Transaktionsteam, das andere von einem internen KI-Modell. Dieses System wurde auf Basis interner Memos und Verhandlungsprotokolle aus mehr als 14 Jahren trainiert. Zwar besitzt das Modell kein Stimmrecht im Gremium, doch seine Einschätzung hat inzwischen ein festes Gewicht.
Gleichzeitig mahnt Torsten Slok, Chefökonom bei Apollo, dass abseits der Technologiebranche bislang kaum Anzeichen für KI-getriebene Margenzuwächse erkennbar seien. Unzureichende Daten-Governance könne erhoffte Erträge noch um Jahre verzögern. Für die gewerbliche Immobilienwirtschaft treffen diese Bedenken vielerorts zu. Laut einer Untersuchung der Plattform Dealpath unter 103 Investment- und Technologiespezialisten institutioneller Immobilienunternehmen gaben 97 Prozent an, KI in ihre Anlageprozesse integriert zu haben. Allerdings stellten lediglich 51 Prozent fest, dass der Einsatz nach Abzug des Kontrollaufwands tatsächlich Zeit spart.
Die Verifikationskosten fragmentierter Daten
Der Ertrag von KI ist derzeit ungleich verteilt. Rund 55 Prozent der Befragten vertrauen KI-Systemen bei der Zusammenfassung von Due-Diligence-Unterlagen. Wenn es jedoch um die Bewertung und Priorisierung von Deals geht, schrumpft dieses Vertrauen auf 35 Prozent. Dies liegt nicht an den zugrunde liegenden Sprachmodellen, die vielen Marktteilnehmern gleichermaßen zur Verfügung stehen, sondern am Zugang zu unternehmensinternen Daten. Während für die Zusammenfassung einer Akte ein einzelnes Dokument genügt, erfordert das Scoring von Transaktionen das institutionelle Gedächtnis des Hauses: frühere Ankaufsentscheidungen, verworfene Angebote, historische Vergleichsdaten und aktuelle Marktkontexte.
Unternehmen mit einem verwalteten Vermögen von mindestens 40 Milliarden $ bewerten ihre Dateninfrastruktur am besten und bringen den Algorithmen bei strategischen Aufgaben das höchste Vertrauen entgegen. Branchenweit stufen zwar 83 Prozent der Fachleute ihre Datenbasis als bereit für KI ein, doch 90 Prozent räumen ein, dass Fragmentierung oder Qualitätsprobleme den Nutzen schmälern. Da Systeme bei unvollständigen Datensätzen Vermutungen anstellen, überprüfen 94 Prozent der Befragten die Resultate fast immer manuell. Dieser Prüfaufwand bindet genau jene Zeit, die durch Automatisierung eigentlich gewonnen werden sollte.
Zentralisierung statt Werkzeugflut
Oft reagieren Unternehmen auf ernüchternde KI-Ergebnisse mit der Einführung zusätzlicher Programme. Etwa 71 Prozent der Umfrageteilnehmer greifen direkt auf Standardassistenten wie ChatGPT zurück. Jedes isolierte Werkzeug sieht jedoch nur einen Bruchteil des Gesamtkontexts, was die Kontrollschleifen eher verlängert als verkürzt. Erfolgreiche Investoren verfolgen den umgekehrten Kurs: Sie konzentrieren sich auf wenige Systeme, die direkt an die historische Deal-Datenbank und das Marktgeschehen angebunden sind.
Die entscheidende Differenzierung im Wettbewerb liegt nicht in lizenzierbaren Standardmodellen, sondern im konsolidierten Erfahrungsschatz der Organisation. Häuser, die ihr internes Datenarchiv geordnet erschließen, können KI fundiert in Ankaufsprüfungen und Komitee-Entscheidungen einbinden — während andere Marktteilnehmer noch damit beschäftigt sind, ungenaue Modellergebnisse abzugleichen.
