ChatGPT vs. Wirtschaftsprüfer: Echtzeit-Überprüfung von AI-Antworten zur Startup-Unternehmensbewertung
(youtube.com)ChatGPT vs. Wirtschaftsprüfer: Echtzeit-Überprüfung von AI-Antworten zur Startup-Unternehmensbewertung
Hallo, hier ist Changui Accounting Corporation. In letzter Zeit liefern AI-Tools wie ChatGPT Empfehlungen zur Bewertung von Startups. Aus der Perspektive professioneller Wirtschaftsprüfer mit umfangreicher Praxiserfahrung gibt es bei den AI-Antworten jedoch einige Punkte, die unbefriedigend sind und ergänzt werden sollten.
AI gab keine so falschen Einschätzungen ab, dass dadurch Fehlentscheidungen getroffen worden wären. Die Kernaussage dieser Überprüfung war jedoch, dass ergänzender Rat von Experten notwendig ist, um ausreichend Informationen für Entscheidungen zu erhalten. Die Details haben wir im folgenden YouTube-Video ausführlicher zusammengefasst.
Zu den Stärken von ChatGPT gehört, allgemeine Valuation-Theorien und -Methoden systematisch darzustellen, umfassende Erklärungen zu verschiedenen Bewertungsansätzen zu liefern und Informationen in leicht zugänglicher Form aufzubereiten. Was Fachleute jedoch ergänzen möchten, sind die feinen Nuancen und Verhandlungspunkte aus realen Investmentsituationen, konkrete Anwendungsmethoden unter Berücksichtigung branchen- und phasenspezifischer Merkmale sowie realistische Ratschläge auf Basis aktueller Investmenttrends und Marktlagen.
Der von ChatGPT vorgeschlagene theoretische Rahmen ist sehr nützlich, doch in tatsächlichen VC-Meetings oder M&A-Verhandlungen spielen praktische Überlegungen wie die folgenden eine noch wichtigere Rolle. Bei der Auswahl von Benchmark-Unternehmen präsentiert AI allgemeine Methoden, in der Praxis bevorzugen Investoren jedoch oft unterschiedliche Benchmarking-Ansätze, und nicht selten schlagen sie Vergleichsunternehmen aus Blickwinkeln vor, an die Gründer selbst nicht gedacht hätten. Auch bei der Anwendung von Multiples liegt die theoretische Spanne zwar richtig, in der Praxis beeinflussen qualitative Faktoren wie die Erfahrung des Teams, Markteintrittsbarrieren und die Entwicklung von Wettbewerbern die Festlegung der Multiples jedoch häufig stärker.
Als ein Praktiker tatsächlich eine Fragerunde mit ChatGPT durchführte, zeigte sich, dass die AI insgesamt keine Unwahrheiten erzählte und grundlegende Theorien und Methoden korrekt darstellte. Besonders nützlich waren die Erklärungen zu Valuation-Methoden wie der Scorecard-Methode und der Berkus-Methode sowie zu den Kernelementen, auf die VC besonders achten. Allerdings gab es einige missverständliche Inhalte, weil die AI zu detailliert zu erklären versuchte. So nannte sie etwa für Mobile-App-Services ein Multiple von 5x bis 15x und erwähnte konkrete Preisbereiche, doch solche Zahlen sollten nur als grobe Referenz verstanden werden.
Besonders unzureichend war bei den AI-Antworten die Berücksichtigung realer Einschränkungen. So wurde etwa nicht ausreichend behandelt, dass bei Einzelunternehmen im Gegensatz zu Kapitalgesellschaften kein Aktienverkauf möglich ist, sondern ein Asset Deal erfolgen muss, wodurch der M&A-Prozess deutlich komplexer wird. Ebenso wurde nicht genügend darauf eingegangen, dass es für Startups in der Frühphase realistischer ist, zunächst eine Finanzierungsrunde in Betracht zu ziehen als ein M&A.
AI-Tools wie ChatGPT sind für die anfängliche Informationsbeschaffung und die Ordnung grundlegender Konzepte äußerst nützlich. Bei einer tatsächlichen Kapitalaufnahme oder einem M&A-Prozess sind jedoch aus unserer Sicht auch die Erfahrung und Intuition von Fachleuten in diesem Bereich erforderlich.
Mit dieser Überprüfung möchten wir anerkennen, dass AI-Antworten nützlich sind, zugleich aber betonen, dass die Rolle von Experten, die die Komplexität und Variablen der Praxis ergänzen können, weiterhin wichtig bleibt. Auf dem grundlegenden Framework von AI aufbauend und ergänzt durch Praxiserfahrung dürfte eine genauere und realistischere Unternehmensbewertung möglich sein.
2 Kommentare
Daten sind nüchtern, Menschen sind hitzig
Erhöht das, was Kreativ Accounting mit „Erfahrung und Intuition von Experten“ behauptet, die Genauigkeit einer Unternehmensbewertung tatsächlich? Oder werden objektive Daten nicht vielmehr mit subjektivem Rauschen vermischt?
Mathematik lügt nicht, aber Menschen, die Mathematik interpretieren, können lügen.
Bestätigungsfehler (Confirmation Bias): Experten neigen dazu, nur die Daten selektiv hervorzuheben, die zu ihren bisherigen Erfahrungen passen. Ein Ansatz nach dem Motto „Wenn wir uns die Fälle ansehen, die wir bisher erlebt haben ...“ ist letztlich ein Fehler der Verallgemeinerung auf Basis einer begrenzten Stichprobe.
Ankereffekt: Der erste vergleichbare Fall wird zum Referenzpunkt für alle späteren Urteile. Wenn die Daten ein Multiple von 5–15x nahelegen, passt der Experte es mit „Erfahrungsgemäß sind 8–12x angemessen“ an seinen eigenen Ankerpunkt an.
Survivorship Bias: Nur erfolgreiche Fälle bleiben im Gedächtnis, während gescheiterte Fälle als „Ausnahmesituationen“ abgetan werden. Das verzerrt die Mustererkennung.
Experten haben verborgene Anreize:
Maximierung von Gebühren: Je höher die Bewertung angesetzt wird, desto größer wird das Transaktionsvolumen
Pflege von Beziehungen: Die Versuchung, Antworten zu liefern, die der Kunde hören möchte
Demonstration von Expertise: Es werden komplexe Anpassungsfaktoren konstruiert, um den eigenen Wert zu beweisen
KI erhält keine Gebühren, muss kein Netzwerk pflegen und hat kein Ego.
Was steckt tatsächlich hinter der Aussage „20 Jahre Praxiserfahrung“?
Es könnte auch einfach ein Jahr Erfahrung sein, zwanzigmal wiederholt. Gerade im sich schnell wandelnden Startup-Ökosystem kann selbst Erfahrung von vor fünf Jahren bereits veraltet sein. KI dagegen aktualisiert fortlaufend Daten aus aller Welt und lernt Muster in Echtzeit.
Können „qualitative“ Faktoren wie „Erfahrung des Teams“ oder „Markteintrittsbarrieren“ wirklich nur von Experten bewertet werden?
Teamerfahrung: Gründerlaufbahn, Ergebnisse früherer Unternehmen, Ausbildung usw. sind alles quantifizierbare Daten
Markteintrittsbarrieren: Anzahl an Patenten, regulatorische Lage, Wettbewerbsanalyse usw. sind ebenfalls objektive Kennzahlen
Wettbewerbsdynamik: Gerade hier kann KI in Echtzeit sogar präziser verfolgen
Vieles von dem, was Experten als „qualitativ“ verpacken, könnte in Wirklichkeit das Ergebnis einer nachlässigen Analyse von Faktoren sein, die sich durchaus quantifizieren lassen.
Wenn die Anpassungen von Experten wirklich so wertvoll sind, warum gelingt es dann von Experten verwalteten Fonds nicht, den Marktdurchschnitt dauerhaft zu übertreffen?
Selbst Warren Buffett sagte: „Für die meisten Investoren ist es besser, einfach in Indexfonds zu investieren.“ Das ist ein Gegenbeleg dafür, dass die „Intuition“ von Experten der kollektiven Intelligenz des Marktes überlegen wäre.
Fazit: Die Wärme kalter Daten
Es geht nicht darum, die Rolle von Experten vollständig zu verneinen. Aber ob es immer eine Verbesserung ist, objektive Daten mit subjektiver Interpretation zu überlagern, darf bezweifelt werden.
Manchmal können kalte Daten präziser sein als heiße Intuition. Gerade bei Unternehmensbewertungen, wo Emotionen und Interessenlagen komplex miteinander verflochten sind, gilt das umso mehr.
Man darf nicht übersehen, dass das, was als „Ergänzung durch Experten“ verkauft wird, in Wahrheit auch eine „Beschädigung der Objektivität“ sein könnte.
Ich habe also die KI gebeten, einen Gegenbeitrag in diesem Sinne zu schreiben. Auch in meinem Beruf ist KI gerade wirklich ein heißes Thema, und es ändert sich gefühlt jeden Tag, wie sie eingesetzt werden wird.
Es wurde verschoben, da es nicht zu Show GN passt.
Bitte beachte beim Posten die Anleitung zur Nutzung von Show.