Buy legacy cash flow. Recompile the organization. Compound the operating system.
Hinweis
Dieser Artikel beschreibt das methodische Rahmenwerk des Autors und ist kein Bericht über einen konkreten Handel; die genannten Unternehmen, Beträge und Personen dienen nur als beispielhafte Angaben innerhalb des Rahmens, stellen keine überprüfbaren Fakten dar und stellen keine Anlageempfehlung dar. Für weitere „Fallkarten“ ist die anklickbare externe Quelle maßgeblich, dieser Artikel gilt nicht für diese Angaben.
Fakt
- Dies ist ein KI‑basiertes Organisationsumgestaltungs‑Framework für kontrollierte Übernahmen, das sich auf traditionelle Unternehmen mit validiertem Geschäftsmodell, hoher Organisationsverschuldung und kognitiv arbeitsintensiven Tätigkeiten konzentriert.
- Der Wertschöpfungsgegenstand umfasst Arbeitsabläufe, Entscheidungsbefugnisse, Informationsflüsse, Anreize und Organisationsstruktur; die Kerninfrastruktur wird als AI Transformation OS definiert.
- Es wird empfohlen, zunächst die Replizierbarkeit mit einem AI Buyout Studio / AI Transformation HoldCo und einem einzelnen SPV zu prüfen, bevor ein traditioneller Blind‑Pool‑Fund aufgebaut wird.
Beurteilung
Der Kern des Arbitragepotenzials von AI Buyout stammt aus Organizational Debt: den Kauf von bereits bewährten Cashflows, wobei durch die Kontrolle die menschliche Koordination in ein maschinenexekutierbares, beobachtbares, lernbares und reproduzierbares Betriebssystem umkodiert wird.
Durch die Kombination von Dan Weijian, 3G Capital und der AI‑nativen Organisationsmethodik kann das Konzept des „AI PE Fund“ weiter vorangetrieben werden:
Der Kern besteht nicht darin, einen PE zu gründen, der in KI investiert, noch darin, nach dem Erwerb traditioneller Unternehmen KI zu implementieren. Der Kern ist der Aufbau eines „AI‑nativen Unternehmensumwandlungsunternehmens“ mit Kapitalfähigkeit, das gezielt Kontrollrechte erwirbt und Unternehmen aus der Vor‑KI‑Ära in AI Native Companies umkodiert. Der Fund ist lediglich ein Finanzierungsinstrument; das eigentliche Produkt ist das AI Transformation OS.
Diese Methodik hat die zugrunde liegenden Ursachen bereits klar dargelegt: Nachdem KI die individuelle Leistungsfähigkeit verstärkt hat, verlagert sich das neue Engpass von der „fachlichen Ausführungskompetenz“ hin zu Bewertung, Zieldefinition, Abnahme, Verantwortung sowie zu Übergaben, Wartezeiten und Koordination zwischen Menschen.
Daher besteht das eigentliche Arbitragepotenzial dieses Geschäfts in:
Organisationsschulden
1. Zuerst neu definieren: Was kauft AI PE eigentlich
Traditionelles PE sucht häufig nach:
guten Vermögenswerten + günstigen Preisen.
Weiteres Suchen im Dan-Weijian-Buyout-Stil:
Gute Vermögenswerte + Governance-Probleme.
3G sucht nach:
Starke Marke + ineffiziente Organisation.
Was AI Buyout am meisten suchen sollte:
Gutes Geschäft + schlechte Organisation + viele automatisierbare Aufgaben.
Hier bedeutet „schlechte Organisation“ nicht schlechte Mitarbeiter, sondern dass die Betriebsweise des Unternehmens viele Altlasten aufweist:
- Die eigentliche Vermögenschance hinter der Oberfläche
- 300 Personen erstellen umfangreiche Excel‑Tabellen · Arbeit ist noch nicht softwarebasiert.
- Zehn mehrere Abteilungen genehmigen gegenseitig · Design der Entscheidungsrechte ist rückständig.
- Viele Manager sind für das Drängen auf Fortschritt verantwortlich · Koordinationskosten sind extrem hoch.
- Vertrieb kann nur 100 Kunden betreuen · Die Aufmerksamkeit der Menschen wird zur Umsatzobergrenze.
- Kundendienst, Einkauf und Finanzen erfordern viel manuelle Arbeit · können agentisiert werden
- Erfahrene Mitarbeiter besitzen umfangreiches Wissen im Kopf · implizites Wissen ist noch nicht kapitalisiert
- SOPs sind über Dokumente verstreut · Workflows werden noch nicht maschinell ausgeführt
- Das Unternehmen operiert über Meetings · Organizational Harness existiert nicht
- Jede Akquisition wird neu integriert · Kein gemeinsames Operating OS
Deshalb ist das beste Ziel möglicherweise nicht:
„Das Unternehmen, das KI am wenigsten nutzt.“
Sondern:
Kunden, Marken, Produkte und Kanäle sind bereits etabliert, aber das Managementsystem läuft noch auf Software und Organisationsstrukturen aus 2010
Das ist ein sehr wichtiger Unterschied.
Acquire durable businesses with high organizational debt, obtain control, and convert human coordination into machine-executable workflows to create structurally higher revenue per employee, faster growth, and greater operating leverage.
Chinesisch kann noch härter formuliert werden:
Der Kauf hat das Geschäftsmodell bereits bewiesen, aber den Cashflow noch nicht KI‑fähig gemacht; durch Gewichtung der Kontrolle werden Arbeit, Macht, Information und Gewinnverteilung neu gestaltet, um traditionelle Unternehmen in KI‑native Unternehmen zu überführen.
Dies entspricht dem Kern der KI‑nativen Organisationsmethodik:
Strategy → Objective → Workflow → Roles → Organization
Stattdessen nicht die alte Department / Headcount weiter optimieren.
Das ist der wichtigste Punkt des gesamten Umsetzungsplans.
In der ersten Phase sollte es besser nicht „AI PE Fund I“ sein.
Sondern sollte es sein:
Die Struktur kann sein:
- Hierarchische Funktionen
- Management Co · Deal, Fundraising, Governance
- AI Transformation Co · AI/FDE/Organisationstransformationsteam
- HoldCo · Besitz von Plattformunternehmen
- Deal SPV · Unabhängige Kapitalbeschaffung für jede Transaktion
- Portfolio Company · Zielunternehmen
Der Grund ist einfach.
Die größte Unsicherheit ist überhaupt nicht:
Gibt es Geld, um ein Unternehmen zu kaufen?
Sondern:
Kann dieses AI Native Transformation Playbook wirklich wiederholt werden?
Also zuerst beweisen:
1 Unternehmen können erfolgreich transformiert werden → Das 2-te Unternehmen kann es replizieren → Beim 3-ten Unternehmen sinken die Implementierungskosten deutlich.
Wenn diese Tatsache erst einmal bewiesen ist, dann werden USD 500.000.000 und USD 1.000.000.000 Fonds eingeworben, die Geschichte ist völlig anders.
Denn das, was Sie sammeln, ist nicht mehr:
„Glauben Sie, dass KI Unternehmen verändern wird.“
Sondern:
Wir haben bereits bewiesen, dass ein Unternehmen, das dieses OS integriert, innerhalb von 12 Monaten diese quantifizierbaren Veränderungen erleben kann.
Das ist der wahre Track Record von GP.
Dies sollte ebenfalls 3G lernen, und nicht das traditionelle große PE.
Das gefährlichste Modell ist:
Kaufen Sie jedes Unternehmen, das großes KI-Potenzial hat.
Das führt dazu, dass man jedes Mal die Branche neu lernen muss.
Das wirklich zinseszinsfähige Modell sollte sein:
Sector Playbook × AI Transformation Playbook × M&A Playbook。
Das heißt, in Phase 1 sollte man zunächst ein bis zwei Branchen durchdringen.
Ich würde solche Branchen bevorzugt auswählen:
- Idealer Kennzahlenstatus
- Geschäftsmodell · Verifiziert
- Branchenwachstum · Muss nicht besonders hoch sein
- EBITDA · Positiv
- Kunden · verteilt
- Prozesse · hochfrequent, wiederholend
- Büroarbeit · relativ hoch
- Daten · bereits teilweise digitalisiert
- Arbeitsinhalte · hoher Anteil an Information, Bewertung, Kommunikation und Koordination
- Branche · stark fragmentiert
- M&A · Roll-up möglich
- KI-Durchdringungsrate · noch niedrig
- Gründer · haben Exit- bzw. Nachfolgebedarf
Daher ist das wirklich Interessante nicht ein reines KI-Unternehmen.
Vielmehr könnte es sein:
B2B-Dienstleistungen + Vertrieb + Lieferkette + vertikale Fachservices.
Zum Beispiel sind Unternehmen, die Lebensmittelzutaten/ Gewürze vertreiben, eher zu untersuchen als reine Produktionsbetriebe:
Lieferantenmanagement, Anfrage, Angebotserstellung, CRM, Kundengewinnung, Rezepturabstimmung, Verträge, Aufträge, Beschaffung, Lagerbestand, Forderungen, Kundenservice, Vertriebsunterstützung – vieles davon ist informationsintensive Arbeit.
Am Produktionsende gibt es natürlich KI-Wert, aber für das erste KI-Buyout sollte man zunächst suchen:
Unternehmen, bei denen der Anteil kognitiver Arbeit hoch ist und nicht der Anteil reiner körperlicher Arbeit.
Früher war es:
Financial DD + Commercial DD。
Zukünftig wird hinzugefügt:
Dies ist ein Teil, den der gesamte Fonds in Zukunft am dringendsten als proprietäre Technologie entwickeln sollte.
Das traditionelle Organigramm kann sogar an zweite Stelle rücken.
Zuerst zeichnen:
Das heißt:
Wie viele Aufgaben hat dieses Unternehmen eigentlich?
Zum Beispiel ein Unternehmen mit 300 Mitarbeitern, man betrachtet nicht 300 Personen, sondern zerlegt es in 3000–10000 echte Aufgaben:
Kunden akquirieren Kundenforschung Angebot erstellen Angebot genehmigen Vertrag vorprüfen Bestellung aufgeben Lieferung nachverfolgen Einkauf Lieferantenauswahl Logistikabweichungen Rechnung stellen Abstimmung Zahlungsaufforderung After‑Sales Rekrutierung Schulung Wochenbericht Management‑Meeting …
Dann wird daraus:
Aufzeichnung:
Warten, Übergabe, Genehmigung, wiederholte Eingabe, Synchronisation, Bericht, Bestätigung, Informationssuche.
Dies entspricht genau dem im Dokument beschriebenen KI‑nativen Implementierungsweg: Zuerst die Engpässe identifizieren, die auftreten, wenn KI in die reale Arbeit eingebunden wird, und dann systematisch die Phasen Warten, Übergabe, Terminplanung, Besprechung, Genehmigung und wiederholte Bestätigung kennzeichnen.
Ergebnis:
Nicht einfach schreiben:
„Kundendienst kann KI‑basiert werden.“
Sondern präzise bis zum Workflow.
Beispiel:
- Workflow Aktuelle FTE KI-Potenzial Revenue Impact Risiko Priorität
- Kundenforschung · 15 · 90% · Hoch · Niedrig · A
- Angebotsvorbereitung · 12 · 80% · Hoch · Mittel · A
- Erste Vertragsprüfung · 6 · 80% · Mittel · Mittel · A
- Beschaffungsanfrage · 20 · 70% · Hoch · Niedrig · A
- Kundenverhandlung · 30 · 30% · Extrem hoch · Hoch · B
- Finanzbuchhaltung · 10 · 80% · Niedrig · Mittel · B
- Strategische Kundenbeziehung · 10 · 10% · Extrem hoch · Hoch · C
Diese Tabelle muss schließlich in das IC aufgenommen werden.
Ich nenne es:
Das heißt:
Wie groß ist die Lücke zwischen der „aktuellen Organisationsweise“ dieses Unternehmens und der „AI Native theoretischen Organisationsweise“?
Ein 100‑Punkte‑Modell kann erstellt werden:
- Dimensionsgewichtung
- Grundlegende Geschäftsqualität · 30
- Potenzial für Workflow‑Agent‑Umwandlung · 15
- Human Friction · 10
- Datenzugänglichkeit · 10
- Kodierbarkeit impliziten Wissens · 10
- Revenue Amplification · 10
- Grad der Veränderbarkeit von Kontrolle/Governance · 10
- Wert der Roll-up-Wiederverwendung · 5
Das interessanteste Ziel ist nicht:
KI-Reife 90 Punkte.
Stattdessen sollte es sein:
Geschäftsqualität 90 Punkte + KI-native Reife 20 Punkte.
Denn die mittleren 70 Punkte sind dein Value-Creation‑Spielraum.
Nach einer Übernahme darf man auf keinen Fall tun:
ChatGPT für die Mitarbeitenden kaufen Prompt-Schulungen Copilot einführen Jede Abteilung reicht KI‑Fallstudien ein.
Das nennt man:
AI Adoption。
Nicht:
AI Transformation。
Es sollte wirklich ein einheitliches System aufgebaut werden:
Eingabe:
Legacy Company
Durchlauf:
Work Graph → Human Friction Map → Objectives → Circles → Roles → Agents → Harness → Ledger → Incentives
Ausgabe:
AI Native Company。
Die AI-native Organisationsmethodik hat bereits die zugrunde liegende Infrastruktur beschrieben:
Context → Agent → Tool → Execution → Evidence → Evaluation → Memory。
Diese sieben Module sollten direkt produktisiert werden und als gemeinsam genutzte Infrastruktur für alle Portfoliounternehmen dienen.
Das ist das wahre IP von AI-PE.
Traditionelles 3G könnte:
Tag 1 Personalwechsel Tag 30 Budgetkürzungen.
AI-Buyout sollte:
Day 0—30：Instrument
Zunächst keine großflächige Umstrukturierung der Organisation.
Die erste Aufgabe ist, das Unternehmen „beobachtbar“ zu machen.
Erhalten:
ERP CRM E-Mails Feishu/Slack/WeChat Unternehmensdaten Verträge Wissensdatenbank Finanzsystem Kundendienstsystem Ticket-System Angebote Beschaffung Vertriebsaktivitäten.
Aufbau:
Context Layer + Work Graph + Baseline Metrics。
Dann den Agenten in die reale Arbeit einbinden.
Der Grund ist: Zuerst die KI in die reale Arbeit einbinden, um zu erkennen, wo das eigentliche neue Engpass liegt.
Day 30—60：Rebuild Workflow
Wähle 3–5 wirklich die P&L beeinflussenden Workflows aus.
Zum Beispiel nicht tun:
"HR schreibt Stellenbeschreibung".
Sollte tun:
Lead → Qualification → Quote → Contract → Order
Die komplette Kette.
Oder:
Demand → Supplier → Quote → PO → Delivery → Reconciliation。
Dann etablieren:
Human \+ Agent \+ Tool \+ Evaluator。
Der zentrale KPI sollte nicht sein:
Anzahl der KI-Aufrufe.
Sondern:
Wie viel sinkt die Durchlaufzeit? Wie viel steigt die Umsatzkapazität? Wie stark sinkt die Fehlerrate? Wie viele Kunden kann jeder FTE bedienen?
Day 60—100：Zero-Based Work
Erst dann wird die Organisation wirklich in Bewegung gesetzt.
Fragen Sie Schritt für Schritt:
Warum wird diese Position benötigt?
Warum ist diese Genehmigung erforderlich?
Warum wird diese Abteilung benötigt?
Warum muss das Ergebnis von A unbedingt an B übergeben werden?
Warum muss diese Entscheidung vom Manager getroffen werden?
Warum müssen Kundendaten manuell in das CRM übertragen werden?
Dann:
Dies ist die KI-Version 3G ZBB:
Zero-Based Budgeting → Zero-Based Work。
Und nicht:
300 Personen werden auf 180 Personen reduziert.
Stattdessen von neuem beim Ziel beginnen:
Strategy ↓ Objective ↓ Circle ↓ Role ↓ Human + Agent。
Diese Methodik liefert ein sehr wichtiges Organisationsprinzip:
Circle verwaltet das Ergebnis, Community verwaltet die Fähigkeit.
Daher könnte das Portfolio-Unternehmen letztlich von:
CEO → VP → Director → Manager → Team
Verwandelt sich zu:
CEO ↓ Growth Circle Key Accounts Circle Supply Circle Product Circle New Business Circle ↓ Humans + Agents。
Ingenieur-, Vertriebs- und Finanzabteilungen bleiben bestehen, werden aber stärker zu:
Capability Community。
statt eines Machtzentrums.
Dies ist ein entscheidender Schnittpunkt für den Erfolg oder Misserfolg der KI‑PE‑Reform.
Wenn es nur so ist:
Du bist für das Wachstum verantwortlich.
Aber das Budget wird weiterhin vom CFO genehmigt,
die Einstellung weiterhin von HR genehmigt,
die Boni weiterhin vom CEO entschieden,
die Leistung weiterhin vom Abteilungsleiter bewertet.
Nichts hat sich eigentlich geändert.
Ein echter Circle Leader muss werden:
Besitzt:
Zielrecht + Ressourcenrecht + Bewertungsrecht + Gewinnverteilungsrecht.
Das entspricht dem Kern von „Kreise teilen, Aktivitäten teilen, Gewinne teilen“: Nur wenn Verantwortung, Ressourcenallokationsrecht und Gewinnverteilungsrecht zusammengebunden werden, kann ein Circle zu einer echten Geschäftseinheit werden.
Das verbindet tatsächlich:
3G der Ownership Culture
mit:
AI Native Circle
zusammen.
Ich halte das sogar für eines der zentralen proprietären Software-Tools im AI-PE.
Traditionelles Post‑Investment‑Management beruht auf:
CEO-Bericht CFO-Bericht Vorstandsunterlagen Monatsbericht.
Aber in Zukunft sollte man das direkt sehen:
Wer
- Welcher Agent
- Für welches Ziel
- Was getan wurde
- Welcher Nachweis erzeugt wurde
- Wie das Ergebnis ausfällt.
Das heißt:
Git-Commit, Angebot, Experiment, Verkaufsergebnis, Kundenfeedback, Agentenverlauf, Finanzresultate werden vollständig automatisch verbucht.
Damit könnte GP zum ersten Mal wirklich Folgendes erreichen:
Echtzeitbeobachtung, wie das Unternehmen Wert schafft.
Statt vierteljährlich einen CEO-Bericht zu hören.
Das könnte sogar ein neues Portfolio-Management-System bilden.
Traditionelles PE achtet am meisten auf:
Revenue EBITDA Cash Flow。
Natürlich weiter beobachten.
Aber AI-PE muss ein zusätzliches Set hinzufügen:
Zum Beispiel:
- Bedeutung der Kennzahlen
- Umsatz / Human FTE · Arbeitseffizienz
- Bruttogewinn / Human FTE · Noch wichtigere Arbeitseffizienz
- Umsatz / Knowledge Worker · White-Collar-Leverage
- Kunden / Sales FTE · Vertriebskapazität
- Workflow-Leitzeit · Organisationsgeschwindigkeit
- Menschliche Übergaben / Workflow · Menschliche Reibung
- Agentenabschlussrate · Agentenautonomie-Rate
- Menschliche Ausnahmerate · Menschliche Eingriffsquote
- Kosten / Ergebnis · Endaufgabenkosten
- Umsatz / Kreis · Unternehmenseinheitseffizienz
- Agentenaufwand / Bruttogewinn · KI-Investitionseffizienz
Das Wichtigste zum Schluss:
Wie viel menschliche Kognition wird für einen Dollar Umsatz benötigt?
Dies ist die Kernkennzahl von KI-nativen Unternehmen.
Traditionelles Buyout:
Kaufpreis - EBITDA-Wachstum - Entschuldung - Multiple-Expansion.
AI Buyout sollte in fünf Ebenen aufgeteilt werden:
① Cost Compression
Agenten reduzieren redundante kognitive Arbeit.
Am einfachsten und am leichtesten zu imitieren.
② Organizational Compression
Reduzieren:
Übergabe Hierarchie Genehmigung Management Synchronisation.
Das ist oft wertvoller als „ein paar Mitarbeiter zu reduzieren“.
③ Revenue Capacity
Der gleiche Vertrieb:
100 Kunden → 300 Kunden.
Der gleiche Einkauf:
50 Lieferanten → 500 Lieferanten.
Hier beginnt die KI wirklich, Zinseszinsen zu erzeugen.
④ Knowledge Capitalization
Menschliche Erfahrung:
Memory → Skill → Agent → Evaluation → Asset。
Wissen von:
Employee Asset
wird zu:
Company Asset。
⑤ Acquisition Learning Curve
Das ist der wirklich große Teil des Private Equity.
Erstes Unternehmen:
USD 1.000.000AI-Umstellungskosten.
Zweites Unternehmen:
USD 700.000。
Fünftes Unternehmen:
USD 300.000。
Zehntes Unternehmen:
Viele Agenten, Skills und Evaluatoren werden direkt eingesetzt.
Also:
Je größer das Portfolio, desto leichter lässt sich die nächste Akquisition anpassen.
KI könnte beim ersten Mal für traditionelle Roll-ups Skaleneffekte ähnlich einer Softwareplattform erzeugen.
Modelle werden definitiv kommerzialisiert.
Die echten Barrieren sollten sein:
Stetiges Sammeln:
Workflow Graphs Agent Skills Evaluation Rubrics Industry Context Transformation Benchmarks Role Designs Circle Designs Decision Rights Compensation Models Integration Playbooks。
Zum Beispiel nach dem Erwerb des 10‑ten Lebensmittel‑Supply‑Chain‑Unternehmens weißt du bereits:
Wie sollte der Anfrage‑Agent vorgehen;
Welchen Kontext benötigt der Vertriebs‑Agent;
Welche Angebote benötigen eine manuelle Genehmigung;
Wie der Procurement Evaluator beurteilt;
Welche Positionen werden am ehesten zum Engpass;
Welche KPIs sind falsch;
Welche Mitarbeitenden werden am ehesten zu Mini‑CEOs.
Dieses Wissen gehört nicht zu GPT-6.
Gehört zu GP.
Das ist:
Eine typische KI-Buyout-Plattform, das Kernteam würde ich folgendermaßen gestalten:
- Rolle des Teams
- Investment Partners · Deals finden, Finanzierung, Transaktionsstruktur
- Operating Partners · CEO, Strategie, Governance
- AI Transformation Partners · Neuorganisation von KI-nativen Strukturen
- FDE / KI-Ingenieure · Den Workflow wirklich zum Laufen bringen
- Data / Platform · Harness、Ledger、Context
- Talent Partner · Mini-CEO und Kernpersonal finden
- Sector Operators · Branchenspezifische Kompetenz
Die größte Veränderung ist:
AI/FDE dürfen nicht die „IT-Abteilung“ nach der Investition sein.
Man sollte bereits beim ersten Treffen mit dem Zielobjekt dem Deal-Team beitreten.
Sogar im Investment Committee:
Deal Partner
- Operating Partner
- AI Transformation Partner
Alle drei Rollen sollten unterschreiben.
Denn ein Projekt könnte:
Finanziell sehr attraktiv,
aber überhaupt keinen Raum für AI-Transformation.
Dann ist es nicht das Asset, das ein AI-PE kaufen sollte.
Es geht nicht darum, 50 Beratungsberater zu entsenden.
Zum Beispiel:
1 Operating Partner + 1 AI Transformation Lead + 2 FDE + 1 Data/Process Engineer + 1 Talent/Org Partner。
100 Tage vor Ort.
Aber sie führen keine Geschäfte für das Unternehmen aus.
Die Aufgabe ist:
Das Operating System des Unternehmens ändern.
Nachdem das OS läuft, gehen sie weg und wechseln zum nächsten Unternehmen.
Das ist ähnlich wie 3G, das kontinuierlich seinen eigenen CEO fördert.
AI-PE sollte kontinuierlich fördern:
Diese Talente könnten in Zukunft sogar knapper sein als Deal Maker.
Andernfalls wird die Organisation am Ende wieder finanziell umgewandelt.
Wenn das gesamte Carry an das Deal-Team geht:
Sie optimieren von Natur aus:
Was kaufen, zu welchem Preis kaufen, zu welchem Preis verkaufen.
Aber der wahre Großteil des Alpha bei AI-PE stammt aus:
Wie man nach dem Kauf Änderungen vornimmt.
Daher sollte zumindest ermöglicht werden:
Operating Team + AI Transformation Team
Den entsprechenden Anteil am Carry direkt teilen.
Portfolio-CEO und Circle-Leader sollten ebenfalls durch Management Equity / Phantom Equity / Profit Pool an der Wertschöpfung teilhaben.
Nur so kann man:
Duan Weijians Kontrolle + 3G Eigentum + AI Native Kreis
Wirklich zusammenführen.
Wenn ich die erste Transaktion entwerfen würde, würde ich im Gegenteil nicht wählen:
„Die attraktivste KI‑Gelegenheit“.
Auswahlkriterien:
Ein ideales erstes Auftragsprofil könnte sein:
Jahreseinnahmen 2–1.000.000.000 RMB
EBITDA 20.000.000–100.000.000 Yuan
50–500 Mitarbeiter
Seit über 10 Jahren in Betrieb;
Stabile Kunden;
Stabiles Produkt;
Branchen diversifiziert;
ERP/CRM vorhanden, aber Nutzung durchschnittlich;
Viele Vertriebs-, Beschaffungs-, Kundenservice-, Finanz- und Betriebsmitarbeiter;
Gründer bereit, die Kontrolle zu verkaufen;
Keine Bewertung von Nicht‑Technologieunternehmen;
Es gibt zudem viel kognitive Arbeit.
Die erste Transaktion muss nicht einmal 100 % übernommen werden.
Aber es muss:
Echte Kontrolle haben.
Der Vorstand darf nicht sagen:
„KI ist möglich, aber die Organisation nicht verändern.“
Wenn das nicht möglich ist:
CEO ändern Organisation ändern Anreize ändern Software ändern Entscheidungsrechte ändern,
Dann sollte diese Transaktion nicht durchgeführt werden.
Auf keinen Fall schreiben:
Nach der Übernahme spart KI 30 % der Arbeitskraft, sodass der Preis um 30 % höher sein kann.
Stattdessen sollte festgelegt werden:
Base Case
Keine Annahme einer Multiplen Expansion.
Debt Case
Kein Einbeziehen von noch nicht verifizierten KI-Umsatzsteigerungen.
AI Efficiency
Nur von Piloten nachgewiesene Workflows dürfen in das Modell aufgenommen werden, und werden mit Abschlag berücksichtigt.
Headcount Savings
Der theoretische Agenten-Ersatzrate darf nicht direkt in das EBITDA einfließen.
Es muss tatsächlich umgesetzt werden:
Workflow-Neugestaltung → SLA bleibt unverändert → Kundenerlebnis bleibt unverändert → Personalredundanzen erneut prüfen.
Damit kann vermieden werden, dass die „KI‑Story“ ein neuer Grund für überhöhte Kaufpreise wird.
Das ist genau die Gegenlektion, die 3G/Kraft Heinz den Nachkommen erteilt.
Ich werde so starten.
- Kernaufgabe Zeit
- 0—3 Monate · Aufbau eines Prototyps des AI Transformation OS; Festlegung einer Branche
- 3—6 Monate · Auswahl von 50 Unternehmen, tiefgehende Analyse von 10 Unternehmen, Abschluss von 1 Akquisitionen
- 6—9 Monate · Abschluss der Work Graph + 3—5 Kern‑Workflow‑Umgestaltung
- 9—12 Monate · Zero‑Based Work + Circle + Incentive Reform
- 12—15 Monate · Nachweis von Verbesserungen bei Revenue/FTE, EBITDA und Cycle Time
- 15—18 Monate · Erwerb des ersten Bolt‑on und Replikation desselben OS
- Nach 18 Monaten · Fund I mit realem Transformation Track Record auflegen
Daher sollte die schönste Folie der Fundraising‑PPT letztlich nicht sein:
KI wird das globale BIP um mehrere Billionen US‑Dollar verändern.
Sondern sollte es sein:
Company A
Bei der Akquisition:
240 Personen Umsatz 420.000.000 EBITDA 38.000.000。
Nach 12 Monaten:
190 Personen Umsatz 480.000.000 EBITDA 62.000.000。
Gleichzeitig:
Quote time：48h → 4h Customers/Sales：87 → 241 Workflow Human Handoffs：7.3 → 2.1 Agent autonomy：0 → 68%。
Dann:
Company B
Die Implementierung desselben Sales / Procurement / Finance Stacks dauerte nur die Hälfte der Zeit von Company A.
Wenn das hier erreicht wird,
Die Assetklasse AI PE ist damit praktisch etabliert.
Entlang dieser Methodik ist AI PE letztlich nicht einmal „AI + PE“.
Genauer gesagt, es ist:
Traditional PE：
Capital Allocation。
Dan Weijian:
Capital Allocation + Governance。
3G：
Capital Allocation + Governance + Management OS。
AI Native Buyout：
Capital Allocation - Governance - Organization Design - Machine Execution。
Diese Methodologie führt zu einem Endziel, das genau mit Private Equity (PE) übereinstimmt: Ein Unternehmen sollte sich allmählich zu einem adaptiven System entwickeln, das kontinuierlich Ziele entdeckt, Menschen und Agenten zusammenstellt, Kapital zuweist, Ergebnisse verifiziert und falsche Richtungen eliminiert.
Daher kann die einzeilige Definition dieses Projekts lauten:
AI PE bedeutet nicht, KI zu nutzen, um die Effizienz der Portfoliounternehmen zu steigern, sondern die Kontrolle über ein Unternehmen aus der Vor‑KI-Ära zu erwerben und „Arbeit‑Macht‑Information‑Interesse“ vollständig neu zu gestalten, sodass das Unternehmen selbst zu einem maschinen‑ausführbaren, beobachtbaren, lernfähigen und replizierbaren Betriebssystem wird.
Kurz zusammengefasst in der Sprache des Kapitalmarktes:
Der wirklich nächste Schritt, der zügig erledigt werden sollte, ist nicht das Schreiben eines Fund Decks, sondern zunächst ein „AI Buyout Investment & Transformation Playbook v0.1“ zu erstellen: einschließlich Zielauswahl‑tabelle, AI Native DD, Work‑Graph‑Vorlage, 100‑Tage‑Plan, Organizational AI Delta‑Bewertung, Post‑Investment‑KPI und IC‑Vorlage. Erst wenn das fertig ist, gelangt man wirklich von der „Konzeption“ in die Phase „handelsfähig, umsetzbar, kapitalbeschaffend“.
Gegenbeweise
- Die unternehmensübergreifende Wiederverwendbarkeit des AI Transformation Playbooks muss noch bei einem zweiten und einem dritten Portfoliounternehmen verifiziert werden; ein einzelner Erfolg kann auf einen Managementwechsel, einen Branchenzyklus oder den Transaktionspreis zurückzuführen sein.
- Eine Organisationskompression kann die Kundenerfahrung, implizites Wissen und das interne Vertrauen schädigen; die theoretische Agent‑Ersatzrate kann nicht direkt in EBITDA oder den Kaufpreis einfließen.
- Die Agentisierung verlagert Engpässe auf Zieldefinition, Datenzugriffsrechte, Ausnahmebehandlung, Bewertung und Verantwortungszuordnung; ein erfolgreicher Technikeinsatz bedeutet nicht automatisch die Realisierung betrieblicher Ergebnisse.
- Fehlt die echte Kontrolle über CEO, Organisation, Anreize, Systeme und Entscheidungsrechte, kann die native AI‑Umgestaltung leicht zu einer teilweisen Werkzeuganwendung zurückfallen.