Unternehmensbewertung, wenn AI das Geschäftsmodell prägt

Einleitung

Künstliche Intelligenz hat sich von Pilotbudgets zu strategischer Kapitalallokation entwickelt. In den Vereinigten Staaten haben AI-fokussierte Unternehmen innerhalb weniger Jahre nach ihrer Gründung Privatmarktbewertungen von Hunderten von Milliarden Dollar erreicht,(Anthropic 2026; Databricks 2025) während kein europäisches Unternehmen, das in den letzten fünfzig Jahren gegründet wurde, eine Marktkapitalisierung von über EUR 100 Milliarden erreicht hat.(Draghi 2024) Die Geschwindigkeit und das Ausmass dieser Neubewertung lassen sich nicht allein durch Technologie erklären. Die Wertrealisierung bleibt über Unternehmen, Sektoren und Rechtsordnungen hinweg sehr heterogen,(Singla, Alex, Sukharevsky, Alexander, Yee, Lareina, et al. 2025; Singla, Alex, Sukharevsky, Alexander, Hall, Bryce, et al. 2025; Brynjolfsson et al. 2023; Eisfeldt et al. 2023) und das Muster ist konsistent: Die meisten Implementierungen verbleiben bei begrenzter Integrationstiefe, während eine kleinere Gruppe Arbeitsabläufe, Entscheidungsrechte und Daten-Feedback-Schleifen umstrukturiert.(Singla, Alex, Sukharevsky, Alexander, Yee, Lareina, et al. 2025; Singla, Alex, Sukharevsky, Alexander, Hall, Bryce, et al. 2025) Der Unterschied zwischen dem Experimentieren mit AI und der Neuausrichtung um AI herum bildet eine strukturelle Kluft, und die Standardbewertungspraxis hat diese noch zu absorbieren. Das Standard-Discounted-Cashflow-Framework bewertet ein Unternehmen als

Die Genauigkeit jeder DCF-Bewertung hängt von den Daten ab, die der bewertenden Person zum Bewertungsstichtag zur Verfügung stehen, und diese Daten sind eine Funktion der Betriebsgeschichte. 3 veranschaulicht das Problem der bewertenden Person. Vor der Gründung sind keine beobachtbaren Daten vorhanden: die Projektionsunsicherheit $\sigma$ ist maximal. Der Akt der Unternehmensgründung markiert einen Übergang; ab diesem Zeitpunkt beginnen sich Kosten, Verträge und Umsätze anzusammeln, und $\sigma$ nimmt ab, da die Projektion empirische Grundlagen gewinnt. Je länger das Unternehmen tätig ist, desto geringer wird $\sigma$, aber sie erreicht nie null, weil DCF zu jedem Zeitpunkt eine Prognose bleibt. Wenn ein operativ tätiges Unternehmen AI in seine Prozesse einführt, steigt $\sigma$: Das Geschäftsmodell wird neu konfiguriert, und die historischen Muster, auf die sich die bewertende Person stützte, verlieren ihre Prognosekraft. Der Anstieg ist nicht graduell; bei ausreichender Integrationstiefe ist er diskontinuierlich. Wenn AI-Meilensteine abgeschlossen werden, sinkt $\sigma$ wieder, aber die Erholungsrate hängt von der Tiefe und dem Umfang der Integration ab, und $\sigma$ erreicht möglicherweise nicht mehr ihr Vorniveau, weil sich das Geschäftsmodell strukturell verändert hat.

Was AI-Integration für die Ex-ante-Bewertung besonders widerständig macht, ist das Zusammenspiel der Mechanismen, die sie aktiviert. Selbst innerhalb eines gegebenen Integrationsregimes weisen Implementierungsentscheidungen eine sensitive Abhängigkeit von Anfangsbedingungen auf: Kleine Unterschiede in der Sequenzierung erzeugen divergierende unternehmensspezifische Trajektorien, weil jede Entscheidung die für nachfolgende Entscheidungen verfügbare Fähigkeitsbasis umgestaltet.(Lorenz 1963) Das resultierende System weist nichtlineare Rückkopplungsschleifen über Funktionen, Kosten und Wettbewerbsposition hinweg auf, charakteristisch für komplexitätsökonomische Regime, in denen Gleichgewichtsannahmen zusammenbrechen und die Ergebnisverteilung schwere Ränder aufweist statt normalverteilt zu sein um eine zentrale Projektion.(Arthur 2021) Strategische Interaktion verstärkt dies: Plattformökonomie, Winner-take-most-Dynamiken und Burggrabenaufbau verwandeln die AI-Entscheidungen jedes Unternehmens in Züge in einem sich entwickelnden Wettbewerbsspiel, dessen Auszahlungsstruktur sich verändert, wenn andere Akteure handeln.(Von Neumann and Morgenstern 1944; Rochet and Tirole 2003) Für eine bewertende Person wirken diese Mechanismen gleichzeitig. Die zukünftige Konfiguration eines AI-integrierten Unternehmens trägt zwei aufeinanderliegende Unsicherheitsschichten: eine Magnitudenunsicherheit, die durch die eigenen Entscheidungen des Unternehmens getrieben wird, und eine Artunsicherheit, die davon abhängt, was die Konkurrenz tut.

Innerhalb des DCF verstärken drei Mechanismen das Problem. Erstens kollabiert gestufte Optionalität in die langfristige Wachstumsrate: Eine bedingte, meilensteingesteuerte Auszahlung, die das Management aufgeben oder erweitern kann, wird bewertet, als wäre sie eine deterministische Cashflow-Trajektorie. Zweitens konzentriert sich das Risiko in einem einzigen Diskontierungssatz, der die strukturelle Verschiebung von hoher Unsicherheit in frühen Integrationsphasen zu geringerer Unsicherheit nach dem Abschluss von Meilensteinen nicht repräsentieren kann. Drittens trägt die Managementflexibilität (das Recht, bei jedem Entscheidungsknoten zu verschieben, zu erweitern oder aufzugeben) einen positiven Wert, den DCF implizit mit null bewertet.

Die US-amerikanische Privatmarktpraxis offenbart diese Spannung bereits. Venture-Runden bewerten bevorzugte Ansprüche mit vertraglichen Schutzrechten und produzieren Post-Money-Bewertungen, die durchschnittlich etwa 48% über dem Fair Value der Stammaktien liegen.(Gornall and Strebulaev 2020) Steuer- und Offenlegungsworkflows bewerten Stammaktien separat nach dedizierten Standards wie 409A und Pre-IPO-Szenariomethoden,(U.S. Treasury Department and Internal Revenue Service 2026; Maplebear Inc. 2023) sodass dasselbe Unternehmen zum gleichen Datum zwei strukturell unterschiedliche Bewertungen trägt. Die blosse Existenz dieser Doppelspurarchitektur signalisiert, dass Fachleute bereits zwischen optionsbeladenen Schlagzeilen-Zahlen und Fair-Value-Schätzungen unterscheiden. Ein europäische Fachperson, der eine US-Post-Money-Zahl als Stammkapital-Äquivalent liest, begeht einen strukturellen Kategorienirrtum: Die Zahl bewertet vertragliche Optionalität neben operativen Prognosen.

In europäischen und schweizerischen Kontexten ist die Diskrepanz tiefgreifender. Dominante Bewertungsstandards wie IDW S 1 schreiben diskontierte Erträge als primäre Methode vor und erfordern nachweisbare historische Muster.(Institut der Wirtschaftsprüfer in Deutschland (IDW) 2016) EU- und Schweizer AI-Governance-Rahmenbedingungen formalisieren Compliance-Gates, die Ausführungskosten, Zulässigkeitsrisiken und die Zeit bis zur Skalierung beeinflussen.(European Parliament and Council of the European Union 2024; Swiss Financial Market Supervisory Authority (FINMA) 2024; Swiss Federal Council 2025) Diese Instrumente wurden für Unternehmen mit etablierten Cashflow-Historien entwickelt, und für diese Unternehmen funktionieren sie gut. Das Problem entsteht, wenn dieselben Instrumente auf meilensteingesteuerte AI-Ventures angewendet werden: nicht als bewusste analytische Wahl, sondern weil kein strukturiertes Äquivalent im europäischen Bewertungsökosystem existiert. Das Ergebnis ist eine Messdiskrepanz, keine konservative Bewertung. Das europäische Risikokapital liegt bei weniger als einem Drittel des US-Niveaus als Anteil am BIP, und vergleichbare Startups werden in den USA auf derselben Entwicklungsstufe etwa siebenmal höher bewertet.(Arnold et al. 2024; Draghi 2024) Ein Teil dieser Lücke spiegelt echte Unterschiede in der Marktstruktur und der Risikobereitschaft wider. Ein Teil davon könnte das Fehlen eines Bewertungsrahmens widerspiegeln, der bewerten kann, was diese Unternehmen tatsächlich sind.

Das Kernproblem ist nicht, ob AI für den Unternehmenswert relevant ist, sondern wie Integrationspfade zu bewerten sind, deren Auszahlungen von Tiefe, Sequenz und jurisdiktionsbedingter Machbarkeit abhängen. Die bestehende Literatur bietet starke Komponenten: Realoptionen für gestufte Technologieinvestitionen, Multikriterien-Methoden für strukturierte Wahrscheinlichkeitsbewertung, Reifegradmodelle für die Tiefenklassifizierung und Marktpreisstudien für empirische Kalibrierung.(Schwartz and Moon 2000; Benaroch and Kauffman 1999; Saaty 1980; Hansen et al. 2024; Eisfeldt et al. 2023) Was fehlt, ist ein strukturiertes Protokoll, das diese Komponenten zu einer einzigen Bewertungslogik synthetisiert: das Analyst:innen sagt, welche Meilensteine zu bewerten sind, wie jede Wahrscheinlichkeit zu schätzen ist und wo die Integrationstiefe die Parameter verändert. Im Rahmen der vorliegenden Arbeit wird ein strukturiertes, prüfbares Protokoll entwickelt, das die AI-Integration in optionsbasierte Bewertungseingaben zerlegt, die zwischen Analyst:innen vergleichbar, über Integrationstiefen hinweg anwendbar und mit bestehenden Bewertungsstandards konsistent sind.

Verwandte Arbeiten

Die Bewertungsforschung wird nach wie vor von der Discounted-Cashflow-Logik dominiert, die auf relativ stabilen Geschäftsmodellen kalibriert wird.(Koller et al. 2020) Die Literatur zu jungen Unternehmen zeigt, warum diese Architektur bei negativen Erträgen, hoher Ausfallwahrscheinlichkeit und begrenzter historischer Tiefe schwächer wird: Konventionelle DCF und relative Bewertung versagen genau dort, wo das Unternehmensprofil von immaterieller Investition, Überlebensungewissheit und nichtlinearen Wachstumstrajektorien dominiert wird.(Damodaran 2018, 2009) Intangible-intensive Unternehmen verstärken dieses Problem, weil ihre Kernwerttreiber sich der Bilanzerfassung widersetzen.(Lev 2001; Haskel and Westlake 2017) Die ungelöste Frage ist nicht, ob DCF nützlich bleibt, sondern wo seine Annahmen für gestufte AI-Integration strukturell unvollständig werden.

Marktbasierte und Frühphasenmethoden haben strukturell unterschiedliche, aber ebenso einschränkende Grenzen. Umsatz- und ARR-Multiples, der in der Praxis dominante Ansatz für die Bewertung privater AI-Unternehmen, komprimieren Optionswert in eine Vergleichsgrösse, ohne zu identifizieren, welcher Meilenstein die Prämie erzeugt oder wie sensitiv die Bewertung gegenüber individuellen Wahrscheinlichkeitsannahmen ist; ihre Anwendung wird zusätzlich durch die Knappheit von Vergleichsunternehmen auf Integrationstiefenstufe (IDL) 2–3-Niveau eingeschränkt.(Damodaran 2009; Eisfeldt et al. 2023) Frühphasenmethoden wie die VC-Methode und First Chicago führen eine Szenariogewichtung ein, erreichen jedoch keine meilensteinbasierte Wahrscheinlichkeitsschätzung und keine tiefenbedingte Optionsarchitektur.(Lerner and Nanda 2020) Das Ertragswertverfahren nach IDW S 1, die primäre europäische Normmethode, teilt die strukturelle Einschränkung des DCF: Es projiziert einen einzelnen Einkommenspfad und diskontiert ihn, wobei Meilensteinwahrscheinlichkeiten und Fortsetzungsoptionswert im gleichen opaken Aggregatparameter komprimiert werden.(Institut der Wirtschaftsprüfer in Deutschland (IDW) 2016) Das hier vorgeschlagene Framework ersetzt diese Methoden nicht; es fügt eine Zerlegungsschicht hinzu: optionsbasierte Eingaben mit unabhängigen Wahrscheinlichkeitsschätzungen, rückverfolgbar auf identifizierbare Meilensteinannahmen.

Die Realoptions-Forschung adressiert gestufte Bindung unter Unsicherheit und liefert die formale Sprache für sequenzielle Ausübung, Aufschub, Expansion und Aufgabe.(Myers 1977; Dixit and Pindyck 1994; Trigeorgis 1996) Compound-Options-Formulierungen erweitern dies auf mehrstufige Investitionsketten, bei denen jedes Entscheidungsgate das nächste bedingt.(Geske 1979; Cassimon et al. 2004) Angewandte Arbeiten im Internet- und IT-Kontext bestätigen, dass Technologieinvestitionen pfadabhängig und entscheidungsbedingt sind, wobei der Wert in zukünftiger Optionalität konzentriert ist.(Schwartz and Moon 2000, 2001; Benaroch and Kauffman 1999, 2000) Dieses Forschungsprogramm hat sich auf Rohstoffinvestitionen ausgeweitet, wobei empirische Evidenz bestätigt, dass Unternehmen verlustbringende Anlagen offen halten, wenn der Warteoptions-Wert den Schliessungswert übersteigt.(Moel and Tufano 2002) Es wurde zudem auf strategische Investitionskontexte ausgeweitet, in denen Optionswert mit kompetitiver Antizipation und Abschreckung interagiert.(Smit and Trigeorgis 2004) Über alle Anwendungsdomänen hinweg ist der konsistente Befund, dass Optionswert im Vergleich zu statischem NPV substanziell ist und dass Standard-Ertragswertmethoden den Flexibilitätswert systematisch unterschätzen. Diese Modelle behandeln Technologie generisch: Keines adressiert AI-Integration spezifisch oder unterscheidet die Integrationstiefe als strukturelle Variable, die die Optionsparameter selbst umgestaltet. Stufenweise Wahrscheinlichkeiten werden in angewandten Implementierungen typischerweise aus marktimpliziter Volatilität oder unstrukturierten Experteneinschätzungen abgeleitet, ohne ein strukturiertes Protokoll zur unabhängigen Schätzung der Wahrscheinlichkeit jeder Option oder zur Variation einzelner Wahrscheinlichkeiten in der Szenarioanalyse.

Studien zur AI-Adoption und -Reife dokumentieren heterogene operative Auswirkungen und tiefenabhängige Fähigkeitsbildung.(Hansen et al. 2024; Dreyling et al. 2024) Produktivitätsnachweise zeigen starke Heterogenität nach Kompetenzen der Beschäftigten und organisatorischen Komplementaritäten,(Brynjolfsson et al. 2023) verzögerte gemessene Gewinne durch kostspielige immaterielle Koinvestitionen,(Brynjolfsson et al. 2018) und Marktneubewertungen, die mit AI-Exposition variieren.(Eisfeldt et al. 2023) Branchenumfragen bestätigen nahezu allgegenwärtiges Experimentieren, aber begrenzte tiefgreifende Prozess-Neugestaltung.(Singla, Alex, Sukharevsky, Alexander, Yee, Lareina, et al. 2025; Singla, Alex, Sukharevsky, Alexander, Hall, Bryce, et al. 2025) Dieser Forschungsstrang identifiziert das empirische Phänomen (Integrationstiefe ist wichtig), liefert aber keinen Bewertungsoperator, der Tiefe und Meilensteinfortschritt in prüfbare Unternehmenswertkomponenten überführt.

Bestehende Reifegradskalen klassifizieren die Tiefe innerhalb einzelner Organisationen; keine unterscheidet Unternehmen, die AI in bestehende Abläufe einbetten, von Unternehmen, deren Kernprodukt AI selbst ist. Die beiden Fälle erzeugen strukturell unterschiedliche Risikoprofile, Options-Architekturen und Wettbewerbsdynamiken. Keine Klassifizierung in dieser Literatur bietet eine branchenagnostische Taxonomie, die diese Unterschiede auf Bewertungsmechanismen abbildet.

Die multikriterielle Entscheidungsanalyse bietet strukturierte Werkzeuge zur Aggregation von Expertenurteilen unter Komplexität. Der Analytische Hierarchieprozess zerlegt die Bewertung in Paarvergleiche mit einer eingebauten Konsistenzdiagnostik,(Saaty 1980) und wurde mit Realoptionen für Telekommunikations- und IT-Infrastrukturinvestitionsentscheidungen kombiniert.(Angelou and Economides 2008) Alternative Methoden (der Analytische Netzwerkprozess, die Best-Worst-Methode,(Rezaei 2015) Fuzzy-Erweiterungen) lockern spezifische AHP-Annahmen, teilen aber die Kernlogik der strukturierten Kriteriengewichtung. Dieser Forschungsstrang wurde noch nicht auf die AI-integrations-tiefen-konditionierte Wahrscheinlichkeitsschätzung angewendet: Bestehende MCDM–Realoptions-Hybride behandeln den Technologietyp generisch, ohne zu modellieren, wie die Integrationstiefe die Bewertungskriterien selbst umstrukturiert.

Risikokapital- und Privatmarktnachweise fügen ein weiteres fehlendes Element hinzu: Preismechanismen. Gestufte Finanzierung wird als meilensteinbedingte Verpflichtung unter Unsicherheit modelliert,(Lerner and Nanda 2020; Talmor and Cuny 2005) und das Wertpapierdesign treibt eine systematische Divergenz zwischen Schlagzeilen-Rundenbewertungen und dem Fair Value der Stammaktien in Einhorn-Märkten.(Gornall and Strebulaev 2020) Regulatorische und steuerliche Rahmenbedingungen formalisieren diese Divergenz durch unterschiedliche Bewertungsspuren für bevorzugtes und gewöhnliches Eigenkapital.(U.S. Treasury Department and Internal Revenue Service 2026; Maplebear Inc. 2023) In AI-Märkten konzentrieren Winner-take-most-Dynamiken und Komplementärgüter-Burggräben den Optionswert auf eine kleine Anzahl von Unternehmen,(Korinek and Vipra 2025; Azoulay et al. 2024; Rochet and Tirole 2003) was die Diskrepanz zwischen Schlagzeilen-Zahlen und operativen Wertgrundlagen verstärkt.

Jurisdiktionsübergreifende Evidenz zeigt, dass Bewertungsergebnisse durch Finanzierungsökosysteme und regulatorische Institutionen geprägt werden. Europäische Wettbewerbsdiagnosen identifizieren anhaltende Skalierungshemmnisse, die in der Kapitalmarktstruktur, der Verfügbarkeit von Ausstiegsmöglichkeiten und der Risikokapitaltiefe verwurzelt sind.(Draghi 2024; Arnold et al. 2024) EU- und Schweizer AI-Governance-Rahmenbedingungen fügen eine eigene Schicht hinzu: jurisdiktionsspezifische Compliance-Anforderungen, die bestimmen, welche Meilensteine machbar sind, zu welchen Kosten und auf welchem Zeitrahmen.(European Parliament and Council of the European Union 2024; Swiss Financial Market Supervisory Authority (FINMA) 2024; Swiss Federal Council 2025)

Für das Bewertungsrahmenwerk gehen diese Anforderungen direkt als $C_{\mathrm{r},s}$ in die $V_s$-Zerlegung ein und als Einschränkungen der Meilensteinmachbarkeit, die je nach Jurisdiktion variieren. Ein Unternehmen, das eine IDL 3-Integration unter EU-AI-Gesetz-Aufsicht anstrebt, sieht sich Compliance-Gates gegenüber, die sowohl den Zeitrahmen als auch die Wahrscheinlichkeit der Meilensteinerfüllung im Vergleich zu einem Unternehmen in einem regulierungsärmeren Umfeld verändern. Die Regulierungsjurisdiktion muss daher als fallabhängiger Parameter in das Framework eingehen.

Kein bestehendes Framework bietet eine branchenagnostische Taxonomie, die AI-Integration von AI-Produktion unterscheidet, beide Kategorien mit meilensteingesteuerten Optionsstrukturen verknüpft und die Wahrscheinlichkeit jeder Option unabhängig schätzt, sodass die Szenarioanalyse einzelne Sensitivitäten isolieren kann. Die erforderliche Synthese umfasst tiefenkonditionierte Klassifizierung, Realoptions-Architektur, strukturierte Per-Options-Wahrscheinlichkeitsschätzung, Wertpapierdesign-Effekte und jurisdiktionskonditionierte Machbarkeit. Jeder Literaturstrang liefert Komponenten; keiner kombiniert sie zu einer einzigen prüfbaren Bewertungslogik.

Beitrag

DCF bleibt die notwendige Grundlage für die Unternehmensbewertung; die Frage betrifft das Protokoll, das die Annahmen regelt, die Analyst:innen darin einbetten, wenn sie AI-Integration bewertet. Dieses Papier schlägt ein Protokoll vor, das die opake Wachstumsratenannahme in eine Struktur zerlegt, bei der jede Bewertungseingabe auf eine identifizierbare Option und eine angegebene Wahrscheinlichkeit zurückführbar ist, wodurch die Quelle der Projektionsunsicherheit der bewertenden Person ($\sigma$ in 3) explizit gemacht wird. Der Beitrag ist strukturell, nicht prädiktiv. Das Framework erweitert DCF um ein Zerlegungsprotokoll für seine AI-bezogenen Eingaben, ohne den Anspruch, Optionswerte präzise zu messen.

Der Umfang ist bewusst diagnostisch und soll Annahmen zwischen Analyst:innen, Unternehmen und Regulierungsumgebungen vergleichbar machen. Die Kombination einer branchenagnostischen AI-Taxonomie, Per-Options-$V_s$-Zerlegung und tiefenkonditionierter AHP-basierter Wahrscheinlichkeitsschätzung. Wir schlagen vor:

1. Eine branchenagnostische Taxonomie, die AI Integrators (IDL 0–3) von AI Providers (AI Wrapper und AI Native) trennt. IDL 0 und IDL 1 sind unter diesem Framework bewertungsneutral; IDL 2 und IDL 3 erzeugen unterschiedliche Optionsstrukturen.

2. Eine meilensteingesteuerte Realoptions-Überlagerung, bei der jeder Meilenstein entlang des Integrationspfades eine sequenzielle Investitionsentscheidung mit tiefen- und kategoriespezifischen Wahrscheinlichkeiten und Auszahlungen steuert, was die additive Struktur $V_0 = V_{\mathrm{DCF}} + V_{\mathrm{AI}}$ erzeugt.

3. Eine $V_s$-Zerlegung, die den opaken Wert jedes Meilensteins in fünf prüfbare Komponenten aufteilt: Basiswert, operativer Mehrwert, Fortsetzungsoptionalität, Regulierungskosten und Ausführungskosten.

4. Eine Per-Options-Wahrscheinlichkeitsarchitektur, bei der jede Option eine unabhängig geschätzte $p_s$ trägt, abgeleitet aus AHP-basierter intersubjektiver Bewertung (der Success Readiness Index), gegen tiefen-spezifische Basisraten kalibriert und individuell in der Szenarioanalyse anpassbar. Das SRI-Protokoll ermöglicht gemischte Panels bewertender Personen aus internen und externen Fachleuten; die Zusammensetzung des Rater Pools ist eine explizite, dokumentierte Designentscheidung, die durch zwei Akkreditierungsdimensionen geregelt wird (Domänenwissen und Interessenkonflikte), wodurch die Rater Governance selbst prüfbar und anfechtbar wird.

5. Eine Szenario-Simulationsschicht, die strukturierte Bewertungsbänder erzeugt, bei denen jede Grenze auf identifizierbare Annahmen auf Optionsebene zurückführbar ist, was es der bewertenden Person ermöglicht, zu lokalisieren, wo sich die Sensitivität konzentriert.

6. Testbare Vorhersagen darüber, wann Märkte auf AI-Meilensteine reagieren, wie sich die Analyst:innendispersion mit der Integrationstiefe ändert und welche Meilensteintypen den Wert am stärksten bewegen.

Das Framework gilt in jedem Lebenszyklusstadium, von der Vorinvestitionsplanung bis zur M&A-Due-Diligence bei Unternehmen mit vollständig abgeschlossener AI-Integration, bei denen der Optionswert in die DCF-Basislinie migriert ist.

Forschung

Das Bewertungsproblem unterscheidet sich strukturell danach, ob ein Unternehmen AI zur Transformation eines bestehenden Geschäfts nutzt oder AI als Produkt verkauft. Eine Bank, die Machine-Learning-Modelle für die Kreditbewertung einsetzt, steht vor Integrationsrisiken, organisatorischen Anpassungskosten und regulatorischen Compliance-Gates; ein Unternehmen, das das zugrunde liegende Modell entwickelt und lizenziert, steht vor Technologierisiken, Plattformökonomie und wettbewerbsbezogener Burggraben-Dynamik.

Ein einzelnes Unternehmen kann Elemente beider Kategorien enthalten, aber die Bewertungslogik für jede Komponente unterscheidet sich. Beide in einer einzigen Klassifizierung zusammenzufassen, verschleiert die Mechanismen, die den Optionswert antreiben. 4 führt eine Taxonomie ein, die diese Kategorien trennt und die in diesem Papier verwendeten Unterklassifizierungen definiert.

AI Integrators werden nach Integrationstiefenstufe (IDL 0–3) klassifiziert. IDL 0 bezeichnet keine AI-Beteiligung und dient als Randbedingung. IDL 1 (Basis) erfasst Unternehmen, die handelsübliche AI-Tools wie allgemeine Chatbots oder eingebettete Copilot-Funktionen in Standardsoftware verwenden; dies schafft keine Wechselkosten, keine proprietären Fähigkeiten und keine messbare Cashflow-Umstrukturierung. Da weder IDL 0 noch IDL 1 einen Entscheidungsknoten mit identifizierbarem bedingten Wert erzeugt, ist die Options-Überlagerung per Konstruktion null und der analytische Beitrag des Frameworks beginnt bei IDL 2. IDL 2 (Partiell) markiert die Schwelle, ab der AI spezifische Geschäftsprozesse prägt und messbare Effizienzgewinne sowie die ersten Realoptionen erzeugt. IDL 3 (Voll) beschreibt Unternehmen, bei denen AI über Kernoperationen hinweg eingebettet ist, auf proprietären Daten trainiert wird und strategische Rückkopplungsschleifen erzeugt. In dieser Tiefe dominiert der Fortsetzungsoptionswert operative Gewinne, und das Bewertungsproblem verschiebt sich von der Messung von Effizienzverbesserungen zur Preisfindung zukünftiger strategischer Optionalität. Die Klassifizierung ist querschnittlich; Unternehmen können auf jeder IDL-Stufe dauerhaft verbleiben.

AI Providers werden in AI Wrapper und AI Native unterteilt. Ein Wrapper baut auf Drittanbieter-Modellen auf und fügt domänenspezifische Schnittstellen oder vertikale Integration hinzu, ohne die zugrunde liegende Technologie zu entwickeln. Ein Native entwickelt proprietäre Modelle oder Infrastruktur als Kernprodukt. Die Risikoprofile divergieren: Wrapper stehen vor vorgelagerter Abhängigkeit und konkurrieren durch Differenzierung auf Applikationsebene; Natives stehen vor tiefen Technologierisiken, können aber Burggräben auf Plattformebene aufbauen. Die Progression von Wrapper zu Native ist selten, aber real, und die Unterscheidung ist für die Bewertung wichtig. Ein dauerhafter Wrapper trägt ein engeres Optionsset. Ein Wrapper mit einem glaubwürdigen Plan zur Entwicklung proprietärer Modelle trägt erheblich mehr Optionswert, weil der Übergang Burggräben, Preismacht und reduzierte Abhängigkeit von vorgelagerten Providers erschliesst.

Die Analyseeinheit für das Bewertungsmodell ist der Meilensteinstatus: ein beobachtbarer, datierbarer Punkt im AI-Integrationspfad, an dem das Unternehmen einem Entscheidungsknoten gegenübersteht (fortsetzen, expandieren, pivotieren oder aufgeben). Jeder Meilensteinstatus $s$ trägt einen bedingten Wert $V_s$ und eine unabhängig geschätzte Erfolgswahrscheinlichkeit $p_s$; das Modell bewertet die AI-Komponente des Unternehmens als Portfolio solcher meilensteingesteuerter Optionen. 1 fasst die Bewertungsimplikationen nach Integrationstiefe zusammen.

Das hier vorgeschlagene Framework baut auf DCF auf und macht die Annahmen, die Analyst:innen bereits darin einbetten, explizit und zerlegbar. In der Standardpraxis ist die AI-bezogene Wachstumsprämie ein einziger opaker Parameter. Die Options-Überlagerung ersetzt diesen Parameter durch eine strukturierte Menge von Meilenstein-Eingaben: welche Meilensteine bewertet werden, mit welcher Wahrscheinlichkeit, mit welchem bedingten Wert und unter welcher IDL-Klassifizierung. Ein ausreichend reicher Mehr-Szenario-DCF mit wahrscheinlichkeitsgewichteten Stufengates nähert diese Struktur an; an diesem Punkt führen Analyst:innen Realoptions Analysis mit DCF-Mechanik durch. Der Beitrag ist eine transparente Architektur, die die Annahmen hinter der Zahl prüfbar und zwischen Analyst:innen vergleichbar macht.

Illustrative Anwendung

Das Framework erzeugt testbare Vorhersagen: (a) Meilensteintyp und IDL-Tiefe sagen die Grösse der Marktreaktionen auf AI-Integrationsankündigungen voraus, (b) höher-IDL-Meilensteine erzeugen grössere abnormale Renditen, (c) spätere Meilensteine innerhalb einer gegebenen IDL-Stufe zeigen abnehmende inkrementelle Auswirkungen, da Optionswert progressiv eingepreist wird, und (d) Bewertungsdispersion steigt monoton mit der Integrationstiefe.

Das Framework wird durch eine einzige evidenzverankerte Fallrekonstruktion illustriert, parametrisiert auf einer realen Firma. Ziel ist zu zeigen, dass das Modell unter transparenten, zitierbaren Eingaben kohärente, zerlegbare Bewertungsbänder erzeugt, nicht einen kausalen Nachweis gegenüber Marktpreisen zu behaupten. Alle Eingaben sind explizit angegeben, sodass Leser die Arithmetik überprüfen und eigene Annahmen einsetzen können.

Case Firm E12 ist ein Schweizer AI-native SaaS-Startup, das eine Plattform für automatisierte Energieportfolio-Optimierung entwickelt.¹ Das Kernprodukt E12-eAI handelt gleichzeitig über Day-Ahead-, Intraday-, Futures-, Strom­liefer­vertrags-, Flexibilitätsmarkt- und CO₂-Zertifikatsmärkte und ersetzt damit die manuellen Tabellenkalkulationen und fragmentierten Legacy-Tools, auf die die meisten Energieportfolio-Betreiber noch angewiesen sind. Erlöse kommen aus Plattformlizenzen, leistungsbasierten Gebühren auf realisierte Customer Margin Uplift, Datenprodukten und Integrationsdienstleistungen. Im Rahmen der Taxonomie des Frameworks ist Case Firm E12 ein AI Provider (Native): E12-eAI ist das an Kundschaft verkaufte Produkt, kein intern eingesetztes Werkzeug; die Energieportfolio-Betreiber, die die Plattform einsetzen, sind die AI Integrators.

Zum Bewertungszeitpunkt (Q2 2026) befindet sich der AI-Kern auf TRL 2–3: Der Optimierungsalgorithmus wurde auf echten Marktdaten validiert, aber die Agent-Orchestrierungsschicht befindet sich noch in der Vorentwicklung. Das Unternehmen strebt eine CHF 15-Millionen-Seed-Runde bei einer Pre-Money-Bewertung von CHF 100 Millionen an. Vier Meilenstein-Gates über 24 Monate strukturieren sowohl die technische Roadmap als auch die Investor-Entscheidungsrechte (5): Gate 1 (Monat 3) bestätigt die Systemstabilität für kundenseitige Piloten; Gate 2 (Monat 6) ist der Finanzierungsauslöser, da die verbleibende CHF 13,5-Millionen-Tranche nur bei Konvertierung zweier Piloten in bezahlte Vereinbarungen freigegeben wird; Gate 3 (Monat 12) validiert den Product-Market-Fit durch erste wiederkehrende Erlöse (CHF 400k ARR); Gate 4 (Monat 24) etabliert ein reproduzierbares Go-to-Market-Modell mit einem proprietären TRL 7-Modell in der Produktion und 10+ aktiven Customer Accounts. Ein Gate-Scheitern schliesst den Kapitalzugang und beendet alle nachgelagerten Optionen.

Jedes Gate wird direkt auf die Optionsstruktur in Gl. 3 abgebildet: Meilensteinzustand $s$, bedingter Wert $V_s$ und sequenzielle Abhängigkeit, sodass das Scheitern bei einem Gate nachgelagerte Optionen beendet. Die $V_s$-Zerlegung (Gl. 4) gilt an jedem Gate. In 6 bezeichnet $w_s = p_s V_s / (1+r_s)^{T_s}$ den barwertgewichteten Beitrag jeder Option zu $V_{\mathrm{AI}}$, und $|\delta w_s|$ erfasst die absolute Änderung von $w_s$ bei einer gleichmässigen $\pm 0{,}10$-Verschiebung von $p_s$, wobei andere Meilensteine beim Basiswert bleiben. $V_s$ kombiniert alle fünf Komponenten aus Gl. 4; $\Delta V_{\mathrm{o},s}$ und $V_{\mathrm{c},s}$ sind separat als dominierende Treiber angegeben. Alle Beträge sind in CHF Mio.

Tabelle 6Meilensteinbasierte Bewertungsrekonstruktion, Case Firm E12 (Q2 2026). Quelle: (Case Firm E12 2026).

Meilenstein	$T_s$	$p_s$	$\Delta V_{\mathrm{o},s}$	$V_{\mathrm{c},s}$	$V_s$	$r_s$	$w_s$	$|\delta w_s|$
	(J)		(CHF m)	(CHF m)	(CHF m)		(CHF m)	(CHF m)
M1: Shadow Mode stabil; 2 API-Piloten im Onboarding (TRL 4)	0,25	0,82	2,0	5,0	13,9	15%	11,0	1,3
M2: 2 aktive bezahlte Piloten; CHF 13,5 Mio. Tranche freigegeben (TRL 5)	0,50	0,67	6,0	15,0	34,9	20%	21,4	3,2
M3: Erste wiederkehrende Erlöse (CHF 400k ARR); TRL 6+	1,00	0,52	18,0	35,0	79,3	25%	33,0	6,3
M4: Reproduzierbares GTM; 10$+$ Customer Accounts; TRL 7-Modell	2,00	0,38	48,0	95,0	198,5	30%	44,6	11,7
$\sum w_s$							110,0
$-I_0$ (gebundenes Seed-Kapital)							$-$15,0
$V_{\mathrm{AI}}$							95,0
$V_{\mathrm{DCF}}$ (IP/Team-Basislinie)							5,0
$V_0 = V_{\mathrm{DCF}} + V_{\mathrm{AI}}$							100,0

Case Firm E12 hat zum Bewertungszeitpunkt keine Umsatzhistorie. Das bedeutet, dass $V_{\mathrm{b},s}$, der Basiswert bei versunkenen Kosten, durch Team-Credentials und IP getragen wird, nicht durch Cashflow-Extrapolation; weshalb die $\Delta V_{\mathrm{o},s}$-Werte bei M1 und M2 gering sind: Es wurde noch keine nachhaltige Customer-Margin-Uplift nachgewiesen. Der Wert ist fast vollständig zukunftsorientiert und konzentriert sich in $V_{\mathrm{c},s}$, der Wettbewerbsgraben-Option, die sich öffnet, sobald proprietäre TRL 7-Modelle in der Produktion sind und dauerhaft verbesserte Leistungsvorteile gegenüber Konkurrenzunternehmen liefern, die noch von externen Modell-Wrappern abhängig sind. Die Options-Abbruchmechanik hat scharfe Zähne: Die CHF 13,5-Millionen-Tranche ist vertraglich an die Gate 2-Pilotenkonvertierung gebunden, sodass zwei verfehlte Piloten den Grossteil des verfügbaren Kapitals kappen und M3 und M4 faktisch beenden. Die AHP-SRI-Wahrscheinlichkeits-Priors spiegeln diese Struktur direkt wider: $p_{\mathrm{M1}} = 0{,}82$ erfasst die nahezu vollständige technische Kontrolle über Gate-1-Bedingungen; $p_{\mathrm{M4}} = 0{,}38$ erfasst die kumulierte Unsicherheit aus Product-Market-Fit, Wettbewerbsdynamik und 24 Monaten Modellreifung.

Der Basisfall ergibt CHF 100 Millionen und entspricht exakt der offengelegten Pre-Money-Bewertung. Die Eingaben wurden unabhängig aus dem Finanzmodell und den Gate-Definitionen des Masterplans abgeleitet, sodass die Konvergenz echte interne Konsistenz widerspiegelt. Zur Einordnung: Der Masterplan selbst gelangt über eine eigenständige Methodik zum selben Wert: Ein Milestone-Scoring-Overlay über 13 strategische Komponenten (Zielerreichungsgrad 36,9 % in Q2 2026; strategischer Wert CHF 102,1 Mio.) wird zu einem negativen DCF-Anteil (WACC 30 %, Pre-Revenue; $-$CHF 1,3 Mio.) addiert und ergibt CHF 100,8 Mio., gerundet auf CHF 100 Mio. als Pre-Money-Anker ((Case Firm E12 2026), Kap. 8). Die Konvergenz zweier unabhängiger Methoden auf denselben Wert liefert stärkere Evidenz für die interne Konsistenz als jede Methode für sich allein. Das vollständige Bewertungsband reicht von CHF 77 Millionen (Negativszenario: alle $p_s - 0{,}10$) bis CHF 123 Millionen (Positivszenario: alle $p_s + 0{,}10$), eine Spanne von CHF 46 Millionen. Wie 6 zeigt, treibt M4 mehr als 60 % dieser Spanne ($|\delta w_s| = 11{,}7$): Die Reifung des proprietären Modells und die reproduzierbare GTM-Option konzentrieren das Risiko in der späten Stufe, genau wie die strukturelle Vorhersage für AI Providers es antizipiert. Das vollständige Entfernen von M4 lässt $V_{\mathrm{AI}}$ von CHF 95 Millionen auf ca. CHF 50 Millionen sinken, was bedeutet, dass rund die Hälfte des Unternehmenswerts an der 24-monatigen Ausführung hängt. Zwei Analyst:innen, die über CHF 100 Millionen Pre-Money uneinig sind, können nun identifizieren, ob die Meinungsverschiedenheit bei $p_{\mathrm{M4}}$, bei $V_{\mathrm{c},\mathrm{M4}}$ oder beim 30%-Diskontierungssatz liegt, wobei jeder dieser Parameter einzeln gegen beobachtbare Proxys anfechtbar ist.

Diskussion

Standardbewertungsansätze ignorieren AI-Integration nicht, sondern absorbieren sie in eine undifferenzierte Wachstumsratenannahme. Die fünfkomponentige $V_s$-Zerlegung (Gl. 4) ändert dies, indem sie den Optionswert auf jeder Integrationsstufe explizit macht. $\Delta V_{\mathrm{o},s}$ erfasst den strukturellen Effizienzgewinn, der beim IDL 2-Übergang realisiert wird; $V_{\mathrm{c},s}$ erfasst den Wettbewerbsgraben-Wert, der bei IDL 3 zugänglich wird; $C_{\mathrm{r},s}$ und $C_{\mathrm{e},s}$ machen Compliance- und Ausführungskosten explizit, anstatt sie stillschweigend mit den projizierten Einnahmen zu verrechnen. Der grundlegende Beitrag des Frameworks ist keine andere Gesamtsumme, sondern eine Zerlegung, die den Optionswert prüfbar macht. Zwei Analyst:innen, die über $V_{\mathrm{AI}}$ uneinig sind, können identifizieren, welche Komponente den Unterschied treibt; zwei Analyst:innen, die über den Gesamtwert uneinig sind, können isolieren, ob die Quelle eine $p_s$-Schätzung, ein $V_s$-Input oder ein Diskontierungssatz ist.

Diese Zerlegung zeigt zwei systematische Fehlbewertungskanäle bei konventionellen Ansätzen. IDL 1–2-Unternehmen werden wahrscheinlich unterbewertet, wenn der Optionswert ignoriert wird: die durch $\Delta V_{\mathrm{o},s}$ erfassten operativen Effizienzgewinne sind real und gestaffelt, aber ein einstufiges DCF mit einem generischen AI-Aufschlag trennt sie nicht von den Basiserlösen. IDL 3-Unternehmen bergen das entgegengesetzte Risiko: Märkte können Netzwerkeffekte und Plattformkontrolle, also die $V_{\mathrm{c},s}$-Komponente, als bereits realisiert einpreisen, obwohl sie noch von der Meilensteinerreichung abhängen. Das Framework löst diese Kontingenz nicht auf; es macht die Wahrscheinlichkeitsannahmen ($p_s$), die die Bewertung bestimmen, explizit und anfechtbar, anstatt sie in einem ungeprüften Diskontierungssatz zu vergraben.

Diese Fehlbewertungskanäle werden durch die Rechnungslegungsstandards weiter verstärkt. Nach HGB (§248 Abs. 2) besteht für Entwicklungskosten ein Aktivierungswahlrecht, das konservative Unternehmen typischerweise nicht nutzen; AI-Entwicklungsausgaben belasten damit vollständig die Gewinn- und Verlustrechnung, während die Bilanz nichts ausweist. Nach IFRS (IAS 38.57) müssen Entwicklungskosten aktiviert werden, sobald sechs Kriterien erfüllt sind: (i) technische Realisierbarkeit der Fertigstellung des Vermögenswerts, (ii) Absicht, ihn fertigzustellen und zu nutzen oder zu verkaufen, (iii) Fähigkeit zur Nutzung oder zum Verkauf, (iv) Nachweis wahrscheinlicher künftiger wirtschaftlicher Vorteile, (v) Verfügbarkeit ausreichender technischer und finanzieller Ressourcen sowie (vi) Fähigkeit, die zurechenbaren Ausgaben zuverlässig zu bewerten; Forschungskosten sind stets sofort aufwandswirksam. Die Aktivierungsgrenze ist ermessensabhängig und variiert erheblich zwischen Unternehmen und prüfenden Personen. Nach US-GAAP (ASC 350-40 für intern genutzte Software) beginnt die Aktivierung erst in der Anwendungsentwicklungsphase und endet mit der Implementierung; vorgelagerte Projektarbeiten werden stets aufwandswirksam erfasst. Das Ergebnis: Zwei Unternehmen, die CHF 10 Millionen in wirtschaftlich identische AI-Entwicklungsprojekte investieren, können je nach angewandtem Rechnungslegungsstandard völlig unterschiedliche Ergebnisse, Vermögenswerte und Renditekennzahlen ausweisen (7). Ein Werttreiber, der CHF 95 Millionen an realem Optionswert erzeugt, kann gleichzeitig unter HGB einen mehrjährigen operativen Verlust und unter IFRS einen teilaktivierten immateriellen Vermögenswert ergeben. Die wirtschaftliche Realität ist identisch; die veröffentlichten Jahresabschlüsse sind es nicht.

Das Framework adressiert diesen Effekt direkt. Der Kostenbegriff $C_{\mathrm{e},s}$ in der $V_s$-Zerlegung (Gl. 4) erfasst AI-Entwicklungsausgaben als wirtschaftlichen Mittelabfluss, unabhängig davon, ob der anwendbare Standard diese als Vermögenswert oder als Aufwand klassifiziert. Zwei Analyst:innen, die dasselbe Unternehmen unter unterschiedlichen Rechnungslegungsstandards bewerten, erhalten identische Eingaben auf Optionsebene, da die Zerlegung auf der wirtschaftlichen Schicht unterhalb der Berichterstattungsschicht operiert. Genau deshalb erzeugt das Framework vergleichbare Bewertungen, wo kennzahlenbasierte Ansätze ohne Anpassung inkonsistente Ergebnisse liefern.

Der strukturelle Übergang von $\Delta V_{\mathrm{o},s}$-Dominanz bei IDL 2 zu $V_{\mathrm{c},s}$-Dominanz bei IDL 3 erzeugt eine gerichtete empirische Prognose: Die Analyst:innendispersion sollte monoton mit der IDL-Tiefe steigen. $V_{\mathrm{c},s}$ (Wettbewerbsgraben-Wert, der von vollständigem Integrationserfolg abhängt) ist von Natur aus schwerer zu schätzen als $\Delta V_{\mathrm{o},s}$, das beobachtbare operative Proxys hat. Diese Prognose ist aus Analyst:innen-Prognosedaten ohne Zugang zu den internen Bewertungen, die sie erzeugt haben, testbar. Die explorative AHP-Hypothese läuft parallel dazu: Wenn die Konsistenzraten der Paarvergleiche mit der IDL-Tiefe steigen, liefert das unabhängige Evidenz dafür, dass das Schätzproblem auf höheren Integrationsstufen strukturell schwieriger ist, über das hinaus, was individuelle Rater Heterogenität allein erzeugen würde.

Single-Rater Probability Estimates sind anfällig für Ankereffekte und Selbstüberschätzung, beides gut dokumentierte Muster in der Expert Elicitation. Das AHP-basierte SRI-Protokoll strukturiert das Expert Judgement, statt es zu ersetzen. Paarvergleiche legen interne Inkonsistenzen vor der Aggregation offen, und das akkreditierte Gewichtungsschema (Gl. 5) diskontiert Schätzungen von Ratern mit Domänenlücken oder Interessenkonflikt-Exposition. Der Gewinn gegenüber der aktuellen Praxis ist eng und konkret: Meinungsverschiedenheiten lassen sich einer spezifischen $p_s$-Schätzung für eine spezifische Option auf einer spezifischen IDL-Stufe zuordnen, dort, wo ein ausgehandelter Diskontierungssatz sie sonst absorbieren würde.

$C_{\mathrm{r},s}$ geht als Kostengrösse in die $V_s$-Zerlegung (Gl. 4) ein, aber regulatorische Compliance hat eine Wertdimension, die das aktuelle Framework nicht vollständig entwickelt. Unternehmen, die EU-AI-Gesetz-Compliance-Meilensteine früh abschliessen, erwerben eine Marktzugangsoption, die Nachzügler nicht schnell replizieren können; in regulierten Branchen kann dieser Graben dauerhaft sein. Im Schweizer Kontext schaffen die FINMA-Leitlinien 2024 zu AI-gestützten Finanzdienstleistungen (Swiss Financial Market Supervisory Authority (FINMA) 2024) und der sektorspezifische Ansatz des Bundesrats (Swiss Federal Council 2025) unterschiedliche regulatorische Meilensteinpfade, deren Optionsstruktur sich vom EU-Modell unterscheidet. Die Einbeziehung regulatorischer Compliance als gestaffelte Option neben ihrer Kostendimension liegt ausserhalb des vorliegenden Rahmens.

Das Lebenszyklusmodell (Gl. 6 und Tabelle 5) und die Synergie-Zerlegung (Gl. 7) rahmen M&A-Verhandlungen neu. Unter der aktuellen Praxis verhandeln Acquirer und Target über eine Headline Premium, deren Komponenten-Treiber für beide Parteien undurchsichtig sind. Das Framework reduziert dies auf einen strukturierten Vergleich spezifischer Optionen, Wahrscheinlichkeiten und Fortsetzungswerte. Eine Acquirer-Seite, die dem Abschluss des IDL 3-Übergangs eine hohe Wahrscheinlichkeit zuweist, kann eine höhere Prämie transparent rechtfertigen; ein Target, das seine $p_s$-Schätzungen für konservativ hält, kann diesen Punkt auf der Optionsebene argumentieren, anstatt den Diskontierungssatz neu zu verhandeln. Die Verhandlung wird dadurch als strukturierte Meinungsverschiedenheit sichtbar, die Due Diligence adressieren kann.

Drei weitere finanzielle Lücken verdienen explizite Erwähnung, bevor wir uns der Literatur zuwenden.

Erstens, Bewertungsmultiples. EV/Umsatz und KGV sind die Standard-Plausibilitätsprüfungen bei jedem DCF-Modell, setzen aber eine homogene Peer-Gruppe voraus. Ein IDL 3-Unternehmen mit einem plattformartigen Datenburggraben wird zu fundamental anderen Multiples gehandelt als ein IDL 1-Unternehmen, das Standard-AI-Werkzeuge einsetzt, selbst innerhalb desselben Sektors und derselben GICS-Unterbranche. Die Anwendung eines sektoralen Median-Multiples auf beide Typen erzeugt eine trügerische Vergleichbarkeit. Die IDL-Taxonomie macht die Peer-Gruppenauswahl explizit und IDL-konditioniert: Die richtige Vergleichsmenge wird durch die Integrationstiefe bestimmt, ergänzend zum Sektor-Label.

Zweitens, Terminalwert. In einem Standard-DCF-Modell konzentrieren sich typischerweise 60–80 % des Gesamtbarwerts im Terminalwert, also einer einzigen ewigen Wachstumsrate, die auf einen normalisierten Cashflow angewendet wird. Für ein Unternehmen an einer IDL-Übergangsschwelle setzt diese Wachstumsrate implizit darauf, ob der IDL 3-Fortsetzungswert sich realisiert. Das Lebenszyklusmodell (Gl. 6) adressiert dies strukturell: Wenn Meilensteine abgehakt werden, migriert Optionswert in die DCF-Basislinie, und die Terminalwertberechnung wird auf einen bereits bereinigten Cashflow angewendet, nicht auf einen, der ungelöste Optionsauszahlungen enthält. Das Framework begrenzt die Terminalwertsensitivität auf den Post-Exercise-DCF, anstatt sie die Meilensteinunsicherheit stillschweigend absorbieren zu lassen.

Drittens, Vorzugskapital und Verwässerung. Die Pre-Money-Headline-Bewertung eines AI-native Unternehmens weicht von seinem Common-Equity-Wert ab. Liquidationspräferenzen, ESOP-Pools und Anti-Verwässerungsklauseln entkoppeln beide systematisch: Gornall und Strebulaev zeigen, dass US-Unicorn-Post-Money-Bewertungen den fairen Common-Equity-Wert im Durchschnitt um 48 % übersteigen, bedingt durch die in Vorzugsaktien eingebetteten wirtschaftlichen Rechte (Gornall and Strebulaev 2020). Die Fallstudie zu Case Firm E12 illustriert dies direkt: Die CHF 100-Millionen-Pre-Money-Bewertung ist eine Seed-Headline-Zahl. Die $V_s$-Zerlegung operiert auf wirtschaftlichen Cashflows, die jeder Option zugeordnet sind, was bedeutet, dass Verwässerungs- und Liquidationspräferenzeffekte separat in der Kapitalstrukturschicht modelliert werden müssen und nicht in $p_s$ oder $r_s$ eingebettet werden dürfen. Eine Vermischung erzeugt eine intern konsistente Bewertung auf Optionsebene, die auf Eigenkapitalebene aber irreführend ist.

7 ordnet jede Lücke der Frameworksantwort zu; das gemeinsame Muster ist, dass die Zerlegung das Problem auf eine Schicht verschiebt, auf der wirtschaftliche Cashflows direkt verglichen werden können, anstatt es in einem Multiple, einer Wachstumsrate oder einer Headline-Zahl verborgen zu lassen.

Die Fallstudie zu Case Firm E12 dient als Demonstration, ohne den Anspruch empirischer Validierung. Der Fall wurde aufgrund der Offenlegungsqualität und einer klaren AI-native Struktur ausgewählt, Bedingungen, die die Anwendbarkeit des Frameworks begünstigen und die Fallauswahl zu Unternehmen verzerren, bei denen die Zerlegung passt. Ein Fall belegt, dass das Protokoll kohärent angewandt werden kann und ein nachvollziehbares Band liefert; er belegt nicht, dass das Framework ein konventionelles DCF in einer beobachtbaren Metrik übertrifft, noch dass die Zerlegung auf hybride Integrators, Unternehmen mit schwacher Offenlegung oder Integrationsfehlschläge generalisiert. Ein echter Test erfordert ein Mehrfach-Fallportfolio über IDL-Stufen, Integrationserfolge und -fehlschläge, gemessen gegen realisierte Post-Exit-Bewertungen. Dieser Test bleibt der zukünftigen Forschung vorbehalten.

Das Framework erweitert drei Literaturstränge. Es fügt Optionsstruktur zur Bewertung immaterieller Vermögenswerte hinzu (Lev 2001), die die Offenlegungslücke identifiziert hat, aber keinen Mechanismus für die Staffelung der Wertrealisierung bereitgestellt hat. Es fügt Integrationstiefenarchitektur zu Realoptionsanwendungen in der Technologiebewertung hinzu (Schwartz and Moon 2000), die Unsicherheit auf Unternehmensebene modelliert hat, ohne die Optionsstruktur von der Tiefe der Technologieeinbettung abhängig zu machen. Und es liefert das fehlende Bewertungsglied für die AI-Adoptionsforschung (Hansen et al. 2024; Brynjolfsson et al. 2018): Studien, die Produktivitätsheterogenität über Integrationsstufen dokumentieren, haben jetzt ein Bewertungsgegenstück, das Meilensteinleistung mit dem Unternehmenswert verbindet. Die AHP-Komponente stützt sich auf etablierte Multi-Kriterien-Methodik (Saaty 1980) und wendet sie an für IDL-konditionierte Wahrscheinlichkeitsschätzung gestaffelter AI-Integrationsoptionen, über die übliche Anwendung als Rangfolgemethode hinaus.

Schlussfolgerung

Die zentrale These dieses Papiers ist im Anspruch bescheiden, in der Konsequenz aber weitreichend: Standardbewertungsmethoden bleiben für AI-integrierte Unternehmen relevant, sind aber strukturell unvollständig. DCF, das Ertragswertverfahren nach IDW S 1 und Marktmultiples bleiben valide Instrumente für etablierte Cashflow-Unternehmen. Werden sie auf Firmen angewandt, deren Wert von gestuften, bedingten und tiefenabhängigen AI-Integrationsentscheidungen dominiert wird, komprimieren diese Methoden Optionswert, Meilensteinrisiko und Fortsetzungsauszahlungen in Parameter, die genau jene Annahmen verschleiern, die Analyst:innen hinterfragen müssen. Das hier vorgeschlagene Framework ergänzt dieses Instrumentarium um eine Zerlegungsschicht: die IDL 0–3-Taxonomie, die fünfkomponentige $V_s$-Struktur und das AHP-basierte SRI-Protokoll, die eingebettete Annahmen explizit und einzeln prüfbar machen.

Der Beitrag des Frameworks liegt in der Informativität der Meinungsverschiedenheit, die es offenlegt, jenseits einer etwaigen Verbesserung der Punktschätzung gegenüber DCF oder Multiples. Ein konventionelles DCF, angewandt auf Case Firm E12, würde einen einzelnen Barwert ergeben, dessen Sensitivität sich in der terminalen Wachstumsrate und dem Diskontierungssatz konzentriert, zwei Parametern, die alles absorbieren, was Analyst:innen über AI-Integration glaubt, ohne offenzulegen, worin diese Überzeugungen bestehen. Das Framework zerlegt diesen Glauben in vier Meilenstein-Wahrscheinlichkeiten, fünf Wertkomponenten pro Meilenstein und eine Gate-Struktur, deren Abbruchbedingungen vertraglich definiert sind. Zwei Analyst:innen, die über CHF 100 Millionen Pre-Money uneinig sind, können ihre Meinungsverschiedenheit nun in $p_{\mathrm{M4}}$, in $V_{\mathrm{c},\mathrm{M4}}$ oder im 30%-Diskontierungssatz lokalisieren. Diese Präzision ist der Beitrag: eine Bewertung, deren innere Struktur befragt werden kann.

Realoptionstheorie hat ähnliche Versprechen schon früher gemacht, und die bisherige Bilanz rechtfertigt Skepsis. Schwartz und Moons Optionsmodelle für Internetfirmen im Jahr 2000 waren formal elegant, aber empirisch unkalibriert; die Biotech-Pipeline-Analogie, die einen Grossteil der gestuften Optionsbewertung untermauert, funktioniert in der Pharmabranche gut, wo Phase-Gate-Wahrscheinlichkeiten auf Jahrzehnten aktuarieller Daten basieren, verfügt aber über keine vergleichbaren Basisraten für AI-Integrationsmeilensteine. Die hier vorgeschlagene AHP-basierte Wahrscheinlichkeitsarchitektur adressiert einen Teil dieser Kalibrierungslücke. Sie ersetzt unstrukturierte Experteneinschätzungen durch Paarvergleichsdisziplin, Konsistenzprüfungen und akkreditierte Aggregation; die resultierenden $p_s$-Schätzungen verbleiben im Bereich des Expert Judgements, da beobachtete Häufigkeiten für AI-Integrationsmeilensteine in grossem Massstab noch nicht vorliegen. Die Offenheit des Frameworks zu diesem Punkt ist bewusst gewählt: Es zeigt offen, wo Urteilsvermögen in die Bewertung einfliesst, und macht damit sichtbar, was ein Diskontierungssatz andernfalls absorbieren würde. Ob diese Offenlegung zu besseren Entscheidungen führt, ist eine empirische Frage, die das Framework selbst nicht beantworten kann.

Die Fallstudie zu Case Firm E12 illustriert sowohl das Potenzial als auch die Grenzen. Einerseits erzeugt das Framework ein kohärentes Bewertungsband (CHF 77 Mio. bis CHF 123 Mio.) aus transparenten, zitierbaren Eingaben, und die Risikokonzentration in M4 ($|\delta w_s| = 11{,}7$, mehr als 60 % der Gesamtsensitivität) bestätigt die strukturelle Vorhersage, dass Bewertungen von AI Providers von spätstufigen Fortsetzungsoptionen dominiert werden. Andererseits ruht rund die Hälfte des Unternehmenswerts auf einer einzigen 24-monatigen Ausführungswette, einem Befund, den keine noch so gründliche Zerlegung weniger unsicher macht. Das Framework klärt, worin die Wette besteht und wo sie liegt; es macht die Wette nicht sicherer.

Für die europäische Bewertungspraxis reichen die Implikationen über die Methodik hinaus. Die Messlücke zwischen der Art, wie AI-integrierte Unternehmen Wert schaffen, und der Art, wie gesetzliche Standards diesen erfassen, ist kein temporärer Rückstand, den Marktreifung schliessen wird. Das Ertragswertverfahren nach IDW S 1, konzipiert für Unternehmen mit nachweisbarer Ertragshistorie, untergewichtet Optionalität systematisch; die HGB-Behandlung von Entwicklungskosten stellt sicher, dass Bilanzen über genau jene Investitionen schweigen, die den AI-Wert treiben. Das hier vorgeschlagene Framework operiert auf der wirtschaftlichen Schicht unterhalb dieser Berichtskonventionen: $C_{\mathrm{e},s}$ erfasst AI-Entwicklungsausgaben als wirtschaftliche Kosten unabhängig von ihrer bilanziellen Klassifizierung, und die $V_s$-Zerlegung liefert identische Eingaben unter HGB, IFRS und US GAAP. Wenn europäisches Wagniskapital auch nur einen Teil der siebenfachen Bewertungslücke zu US-Peers auf vergleichbarer Entwicklungsstufe schliessen soll, muss die Bewertungsinfrastruktur optionsbelastete, meilensteingesteuerte Unternehmensprofile aufnehmen können. Dieses Papier schlägt eine Architektur dafür vor.

Limitationen und zukünftige Forschung

Die Meilensteinidentifikation hängt von der Offenlegungsqualität ab; Unternehmen offenbaren möglicherweise weder ihre Integrationstiefe noch das Timing von Zwischengates mit ausreichender Präzision für externe Rekonstruktion. Die Parameterschätzung für $p_s$, $V_s$ und $r_s$ bleibt annahmenempfindlich, insbesondere bei IDL 2–3, wo Comparables knapp sind; das Framework legt diese Sensitivität offen, anstatt sie aufzulösen. Die IDL-Klassifizierung erfordert auch Urteilsvermögen für hybride Unternehmen, die auf mehreren Stufen über Funktionen hinweg tätig sind. Die AHP-Komponente bringt weitere Einschränkungen mit sich: Der Paarvergleichsaufwand wächst mit der Kriterienanzahl, die IDL-spezifischen Kalibrierungsanker bleiben illustrative Prior-Werte statt empirisch abgeleiteter Basisraten, und die geometrische Mittelaggregation setzt ein Mass an Unabhängigkeit der bewertenden Personen voraus, das sich abschwächen kann, wenn interne und externe Fachleute denselben organisatorischen Kontext teilen. Das akkreditierte Gewichtungsschema adressiert Bedenken zu Rater Qualität und Unabhängigkeit teilweise, aber die Zuweisung von $w_i^{\mathrm{comp}}$ und $b_i$ ist selbst ein Urteil, das dokumentiert werden muss und anfechtbar bleibt. Die Handhabung von Options-Interdependenz durch Zuordnung via Zuweisung hängt ebenfalls von menschlichem Urteilsvermögen ab, weil die Interaktionsmatrix qualitativ ist und keine formale Koalitionsanalyse ersetzt. Das Fallstudiendesign ist illustrativ statt inferentiell: Ein einziges Unternehmen mit detaillierter Meilenstein-Offenlegung kann die Kohärenz des Frameworks testen, aber keine Vorhersagegenauigkeit. Die Fallauswahl war zudem zielgerichtet: Der Fall zu Case Firm E12 bot umfassende Investor-Offenlegung, ein AI-natives Geschäftsmodell und eine klare Meilensteinarchitektur, Bedingungen, unter denen das Framework erwartungsgemäss gut passt. Fälle mit schwächerer Offenlegung, hybrider Integration über IDL-Stufen hinweg oder nachträglichen fehlgeschlagenen Transitionen bleiben ausserhalb der gegenwärtigen Evidenzbasis, und Generalisierung erfordert eine grössere und vielfältigere Stichprobe. Regulatorische Bedingungen sind ebenfalls bewegliche Ziele, da das EU-AI-Gesetz noch nicht vollständig in Kraft ist und der schweizerische sektorspezifische Ansatz noch in Entwicklung ist.

Die zukünftige Forschung sollte sich in fünf Richtungen bewegen.

Die erste Richtung ist empirische Validierung. Die Anwendung des Frameworks auf ein Mehrfach-Fallportfolio über IDL-Stufen und Integrationsergebnisse, mit Schätzungen auf Optionsebene gemessen gegen realisierte Post-Exit-Bewertungen, würde testen, ob die Zerlegung konventionelle Alternativen messbar übertrifft, über die reine Beschreibung hinaus.

Die zweite Richtung ist longitudinal. Die Verfolgung dynamischer IDL-Transitionen würde zeigen, wie Wert im Laufe der Zeit vom Options-Overlay in die DCF-Basislinie migriert, wenn Meilensteine erreicht werden.

Die dritte Richtung ist empirische Kalibrierung. Paneldaten zu AI-Projektergebnissen über Branchen hinweg könnten das SRI-zu-$p_s$-Mapping verankern und Meilenstein-Auszahlungen nach Sektor verfeinern.

Die vierte Richtung ist methodologisch. Bayesianisches Updating für $p_{s+1 \mid s\;\text{abgeschlossen}}$, Shapley-Wert-Zerlegung für Options-Interdependenzen und Robustheitsprüfungen mit alternativen MCDM-Methoden wie Fuzzy-AHP, ANP oder BWM würden testen, wie sensibel das Framework gegenüber seinen aktuellen vereinfachenden Entscheidungen ist.

Die fünfte Richtung ist regulatorisch. Wenn EU-AI-Gesetz-Bestimmungen in Kraft treten und die Schweizer Leitlinien sich weiterentwickeln, könnte jurisdiktionsübergreifende Evidenz zeigen, wie Compliance-Regime die Meilensteinrealisierbarkeit, das Risiko und den Fortsetzungsoptionswert verändern.