Ein Fragenkatalog für Unternehmen mit Fokus auf künstliche Intelligenz – wie strukturierte Fragen zu klareren Gesprächen führen
Stand Oktober 2026
KI Unternehmen
Warum ein strukturierter Fragenkatalog für KI-Unternehmen hilft
Wir starten mit einem verbreiteten Mythos: Wer sich für Unternehmen im Bereich künstlicher Intelligenz interessiert, müsse nur auf ein paar Kennzahlen schauen, dann sei die Entscheidung quasi automatisch. Unsere Erfahrung zeigt, dass gerade hier Fragen wichtiger sind als schnelle Antworten. Deshalb arbeitet unser Team intern mit einem einfachen, aber konsequenten Schema, das wir Fragenkatalog-KI nennen. Er ersetzt keine professionelle Unternehmensbewertung, macht aber sichtbar, wo Informationen fehlen, wo Hoffnungen dominieren und wo sich echte Anhaltspunkte finden lassen. In diesem ersten Abschnitt geht es darum, den Rahmen abzustecken: Was wollen wir mit einem Fragenkatalog erreichen, und was ausdrücklich nicht?
Warum ein Fragenkatalog statt einer Checkliste
Der Fragenkatalog-KI verfolgt ein klares Ziel: Er soll helfen, die Diskussion über ein Unternehmen von der Schlagzeilenebene auf eine strukturiertere Ebene zu heben. Statt sich von Wachstumsversprechen oder prominenten Namen beeindrucken zu lassen, arbeitet man sich Punkt für Punkt durch Themen wie Datenbasis, Technologie, Erlösquellen und Abhängigkeiten. Wichtig ist, dass jede Frage offen formuliert ist, also nicht auf eine bestimmte Antwort hinsteuert. So entsteht kein versteckter Werbetext, sondern ein Raster, das Lücken sichtbar macht. Wer am Ende viele Fragezeichen notiert, hat einen wertvollen Hinweis: Es fehlen Informationen, bevor überhaupt an konkrete Anlageentscheidungen zu denken ist.
Versteckte Annahmen sichtbar machen
Ein zweiter Zweck des Fragenkatalogs besteht darin, Annahmen bewusst zu machen. Häufig setzen wir stillschweigend voraus, dass eine Technologie skalierbar ist, dass Kunden treu bleiben oder dass Regulierung schon irgendwie passen wird. Indem jede dieser Annahmen eine eigene Frage erhält, wird sie aus der Komfortzone geholt. Ein Beispiel: Statt zu sagen, das Unternehmen hat einen stabilen Kundenstamm, lautet die Frage, wie verteilt sind die Umsätze auf einzelne Kunden und Branchen. Die Antwort kann dann nüchtern ausfallen oder offenlassen, dass genaue Zahlen fehlen.
Bewertung ohne Scheingenauigkeit
Der Fragenkatalog ist ausdrücklich kein Bewertungssystem mit Punkten oder Noten. Sobald Zahlen vergeben werden, entsteht leicht der Eindruck objektiver Präzision, die in dynamischen Technologiefeldern selten gerechtfertigt ist. Wir arbeiten lieber mit qualitativen Einschätzungen wie gut nachvollziehbar, teilweise unklar oder aktuell nicht belegt. Diese Sprache erinnert daran, dass es sich um ein bewegliches Bild handelt, nicht um ein endgültiges Urteil. Past performance doesn't guarantee future results, und auch die beste heutige Analyse kann durch neue Informationen überholt werden.
Vorbereitung für Fachgespräche
Schließlich soll der Fragenkatalog die Grundlage für Gespräche mit Fachpersonen liefern. Wer mit einer Beraterin oder einem Berater spricht, kann gezielt auf Punkte verweisen, die offen geblieben sind: etwa die Frage nach Gebührenstrukturen, steuerlichen Effekten oder der Einbettung eines KI-orientierten Unternehmens in den gesamten Finanzplan. So wird aus einem eher abstrakten Interesse an künstlicher Intelligenz ein konkreter Gesprächsleitfaden, der Raum für individuelle Einschätzungen lässt.
Block 1: Daten und Technologie hinterfragen
Mit dem Rahmen im Kopf steigen wir in den ersten Block des Fragenkatalogs ein: Daten und Technologie. Der Mythos, den wir hier aufräumen, lautet, dass alle Unternehmen mit künstlicher Intelligenz ähnlich funktionieren, solange irgendwo Modelle trainiert werden. In der Realität entscheidet die Qualität und Verfügbarkeit von Daten ebenso wie die Robustheit der technischen Infrastruktur darüber, ob ein Geschäftsmodell tragfähig ist. Wir formulieren daher Fragen, die auch ohne tiefes Technikstudium gestellt werden können, aber auf zentrale Stellschrauben zielen.
Datenquellen und Datenqualität
Ein Kernpunkt lautet: Welche Art von Daten nutzt das Unternehmen, und wie entstehen diese Daten? Handelt es sich um selbst erhobene Informationen, etwa durch eigene Plattformen, oder werden Daten von Dritten bezogen? Sind die Datenbestände rechtlich sauber nutzbar, und gibt es klare Vereinbarungen zur Verwendung? In Bereichen, in denen personenbezogene Daten eine Rolle spielen, kommt zusätzlich die Frage hinzu, wie Datenschutzanforderungen eingehalten werden. Unternehmen, die hier nur vage Auskünfte geben, hinterlassen eine andere Spur als solche, die ihre Datenquellen transparent erläutern.
Aufgaben, Genauigkeit und Aktualisierung
Die nächste Frage richtet sich an die Modelle selbst: Welche Aufgaben löst die künstliche Intelligenz konkret, und wie kritisch sind Fehler? Ein System, das Produktempfehlungen sortiert, hat andere Anforderungen an Genauigkeit und Robustheit als eines, das industrielle Prozesse steuert. Interessant ist auch, wie oft Modelle aktualisiert werden und welche Ressourcen dafür nötig sind. Hohe Rechen- und Personalkosten können die Wirtschaftlichkeit eines Angebots stark beeinflussen, selbst wenn die Technologie beeindruckend wirkt.
Infrastruktur und Abhängigkeiten
Ein weiterer Aspekt betrifft die technische Infrastruktur. Betreibt das Unternehmen eigene Rechenzentren, nutzt es externe Plattformen oder eine Mischung aus beidem? Welche Abhängigkeiten entstehen dadurch von einzelnen Anbietern? In vielen Fällen lässt sich aus Geschäftsberichten oder technischen Dokumentationen zumindest grob erkennen, ob ein Unternehmen flexibel agieren kann oder stark an bestimmte Dienstleister gebunden ist. Diese Abhängigkeiten können im Krisenfall ebenso wichtig sein wie finanzielle Kennzahlen.
Sicherheit und Ausfallszenarien
Schließlich lohnt sich ein Blick auf Sicherheit und Ausfallszenarien. Wie geht das Unternehmen mit potenziellen Störungen um, etwa durch Datenverlust, Angriffe auf Systeme oder Fehler in Modellen? Gibt es Hinweise auf strukturierte Notfallpläne oder auf unabhängige Prüfungen der Systeme? Auch hier geht es nicht darum, jedes Detail zu verstehen, sondern darum, ob das Unternehmen das Thema ernsthaft adressiert oder eher als Randnotiz behandelt.
Block 2: Geschäftsmodell und Stabilität prüfen
Nachdem Daten und Technologie beleuchtet sind, wenden wir uns dem wirtschaftlichen Kern zu: dem Geschäftsmodell. Der Mythos hier: Wenn die Technik beeindruckend ist, wird das Geld schon folgen. Erfahrungsgemäß sind viele Projekte im Bereich künstlicher Intelligenz technisch spannend, aber wirtschaftlich fragil. Unser Fragenkatalog lenkt den Blick deshalb auf Erlösquellen, Kostenblöcke und die Stabilität der Kundschaft. Die Fragen lassen sich auf unterschiedliche Unternehmen anwenden, vom kleinen Spezialanbieter bis zum großen Automatisierungskonzern.
Heutige Erlösquellen statt nur Visionen
Eine zentrale Frage lautet: Wie verdient das Unternehmen heute Geld, nicht nur in Zukunft? Gibt es bereits wiederkehrende Umsätze, etwa durch Abonnements oder Serviceverträge, oder stammen die Einnahmen vor allem aus einmaligen Projekten? Wiederkehrende Erlöse können ein gewisses Fundament bieten, während projektbasierte Umsätze stärker schwanken. Wichtig ist auch, ob das Unternehmen selbst klar zwischen Pilotprojekten und skalierbaren Angeboten unterscheidet.
Kostenstruktur und Entwicklungsaufwand
Auf der Kostenseite interessiert, welche Blöcke das Ergebnis dominieren. Forschung und Entwicklung, Vertrieb, Infrastruktur, Lizenzgebühren – all das kann unterschiedlich gewichtet sein. Unternehmen mit hohem Forschungsanteil brauchen oft langen Atem, bis Produkte profitabel werden. Wer sich ein Bild machen möchte, fragt nach, wie sich diese Kosten in den vergangenen Jahren entwickelt haben und ob es einen nachvollziehbaren Pfad zu stabileren Margen gibt. Fehlt eine solche Erzählung, ist Vorsicht angebracht.
Kundenkonzentration und Branchenmix
Ein dritter Fokus liegt auf der Kundschaft. Wie breit ist die Kundenbasis, und in welchen Branchen ist das Unternehmen aktiv? Eine starke Konzentration auf wenige Großkunden kann riskant sein, selbst wenn die Umsätze beeindruckend wirken. Branchenabhängigkeit spielt ebenfalls eine Rolle: Ein Anbieter, der fast ausschließlich von einem volatilen Sektor lebt, trägt andere Risiken als einer, der mehrere unabhängige Bereiche bedient. Diese Fragen zielen nicht auf eine schnelle Bewertung, sondern auf ein Gefühl für Verwundbarkeit.
Wettbewerbsvorteile und Preisdruck
Schließlich gehört zum Geschäftsmodell die Frage, wie das Unternehmen mit Preisdruck umgeht. In vielen Bereichen künstlicher Intelligenz entsteht Wettbewerb durch neue Anbieter oder durch Open-Source-Lösungen. Kann das Unternehmen sein Angebot differenzieren, etwa durch besondere Datenbestände, Servicequalität oder Integrationsleistungen? Oder konkurriert es vor allem über den Preis? Die Antwort beeinflusst, wie stabil Erträge in herausfordernden Marktphasen sein könnten.
Block 3: Umfeld, Regulierung und Zyklen einbeziehen
Im dritten Block rücken externe Rahmenbedingungen in den Vordergrund: Regulierung, gesellschaftliche Akzeptanz und makroökonomische Faktoren. Der Mythos hier lautet, dass Technologie sich automatisch durchsetzt, wenn sie nur effizient genug ist. Tatsächlich spielen rechtliche Vorgaben, ethische Diskussionen und wirtschaftliche Zyklen eine erhebliche Rolle. Unser Fragenkatalog soll helfen, diese eher abstrakten Themen in konkrete Überlegungen zu übersetzen.
Regulatorische Entwicklungen beobachten
Eine erste Frage richtet sich an die regulatorische Landschaft. In welchen Rechtsräumen ist das Unternehmen aktiv, und welche Vorgaben gelten dort für Anwendungen künstlicher Intelligenz und Automatisierung? Gibt es Hinweise auf anstehende Regelwerke, die das Geschäftsmodell beeinflussen könnten, etwa strengere Transparenzpflichten oder Haftungsregelungen? Unternehmen, die diese Entwicklungen aktiv adressieren, signalisieren eine andere Haltung als solche, die das Thema kaum erwähnen.
Gesellschaftliche Debatten und Akzeptanz
Zweitens spielt die gesellschaftliche Akzeptanz eine Rolle. Nutzt das Unternehmen Anwendungen, die direkt mit Endverbrauchern interagieren, oder agiert es vor allem im Hintergrund industrieller Prozesse? Öffentliche Debatten über Arbeitsplatzverlagerungen, Diskriminierung durch Modelle oder Datenschutz können die Nachfrage nach bestimmten Lösungen beeinflussen. Ein Unternehmen, das proaktiv über ethische Leitlinien spricht und unabhängige Prüfungen zulässt, positioniert sich anders als eines, das solche Fragen meidet.
Konjunktur und Investitionszyklen
Makroökonomische Faktoren bilden den dritten Baustein. Investitionen in Automatisierung und datengetriebene Lösungen hängen oft von der allgemeinen Wirtschaftslage ab. In Phasen knapper Budgets werden Projekte verschoben oder gekürzt, auch wenn die Technologie langfristig Vorteile verspricht. Wer ein Unternehmen betrachtet, sollte daher prüfen, wie flexibel es seine Kosten anpassen kann und ob es über ausreichend finanzielle Reserven verfügt, um Durststrecken zu überstehen.
Regionale Verteilung und Konzentrationsrisiken
Zuletzt stellt sich die Frage nach geografischer Streuung. Ist das Unternehmen stark von einem einzelnen Markt abhängig, oder verteilt sich sein Geschäft auf mehrere Regionen mit unterschiedlichen Zyklen und Regelwerken? Geografische Diversifikation kann Risiken abfedern, bringt aber zusätzliche Komplexität mit sich. Auch hier liefert der Fragenkatalog keine einfache Antwort, sondern lädt dazu ein, Chancen und Unsicherheiten nebeneinander zu legen.
Block 4: Beispiel, Stolperfallen und Fazit
Zum Abschluss führen wir den Fragenkatalog-KI in einem vereinfachten Beispiel zusammen und räumen mit dem letzten Mythos auf: Dass ein strukturierter Ansatz automatisch zur richtigen Entscheidung führt. Tatsächlich bleibt Unsicherheit ein ständiger Begleiter, gerade in dynamischen Technologiefeldern. Der Wert eines Fragenkatalogs liegt nicht darin, diese Unsicherheit zu beseitigen, sondern sie sichtbar und besprechbar zu machen. In diesem Abschnitt zeigen wir, wie eine Person den Katalog nutzen könnte, um ein Gespräch mit einer Fachperson vorzubereiten, und fassen die wichtigsten Lehren zusammen.
Ein hypothetisches Beispielprofil erstellen
Stellen wir uns eine Person vor, die ein mittelgroßes Unternehmen betrachtet, das Automatisierungslösungen mit Hilfe künstlicher Intelligenz für die Industrie anbietet. Sie arbeitet den Fragenkatalog Block für Block durch, notiert bei Datenqualität solide eigene Sensor- und Prozessdaten, bei Technologie regelmäßig aktualisierte Modelle, bei Geschäftsmodell wiederkehrende Servicegebühren, aber auch eine deutliche Abhängigkeit von der Automobilbranche. Unter Regulierung vermerkt sie, dass neue Vorgaben zur Transparenz von Entscheidungsprozessen diskutiert werden, deren konkrete Auswirkungen noch offen sind. Das Ergebnis ist kein Urteil, sondern ein Profil mit Stärken und offenen Punkten.
Gespräche strukturieren statt ersetzen
Mit diesem Profil geht die Person in ein Gespräch mit einer qualifizierten Fachperson. Statt allgemein nach der Attraktivität des Unternehmens zu fragen, legt sie gezielt Punkte auf den Tisch: die Branchenkonzentration, die anstehenden regulatorischen Änderungen und die Frage, wie sich ein solcher Baustein in den gesamten Finanzplan einfügen könnte. Die Fachperson kann darauf aufbauen, ergänzende Informationen liefern und prüfen, ob das Risiko-Niveau zur persönlichen Situation passt. So entsteht ein Dialog auf Augenhöhe, in dem Marketingaussagen weniger Raum einnehmen.
Fehlinterpretationen erkennen und vermeiden
Typische Fehlinterpretationen des Fragenkatalogs lassen sich so vermeiden. Eine davon wäre, jede offene Frage automatisch negativ zu bewerten. In jungen Technologiefeldern sind Informationslücken normal, entscheidend ist, ob sie bewusst wahrgenommen und in Entscheidungen einbezogen werden. Eine andere Fehlinterpretation bestünde darin, den Katalog als Checkliste für schnelle Kaufentscheidungen zu nutzen. Genau das soll er nicht sein. Er ist ein Werkzeug zur Reflexion, kein Algorithmus für Handlungen.
Fazit: Werkzeug, nicht Orakel
Am Ende bleibt eine nüchterne Zusammenfassung: Der Fragenkatalog-KI von Gaismiangias ist ein Gedankenwerkzeug, das hilft, Unternehmen im Bereich künstlicher Intelligenz und Automatisierung strukturiert zu betrachten. Er ersetzt weder detaillierte Unternehmensanalysen noch individuelle Beratung, kann aber den Weg zu informierten Gesprächen ebnen. Past performance doesn't guarantee future results, Ergebnisse können abweichen. Wer konkrete Anlageentscheidungen treffen möchte, sollte stets qualifizierte Fachpersonen einbeziehen und die eigene finanzielle Situation sorgfältig prüfen.