DealCircle hat sich seit der Gründung vor gut acht Jahren als zentraler Knotenpunkt für M&A-Transaktionen im deutschsprachigen Mittelstand etabliert. Über die Plattform werden inzwischen jährlich rund 2.500 bis 3.000 Unternehmensverkäufe vermarktet. Im Gespräch mit Julian Molitor erklärt Mitgründer Kai Hesselmann, wie KI in jeder Stufe des Prozesses ankommt — und warum gerade dieses Modell vor seiner größten Veränderung steht.

Julian Molitor: Kai, viele kennen DealCircle — aber wie würdest du den Kern eures Modells beschreiben?

Kai Hesselmann: Wir sind im Kern ein Matchmaker zwischen Unternehmenskäufern und -verkäufern. Wir helfen Verkäufern und M&A-Beratern, passende Käufer zu finden — strategische Investoren entlang der Wertschöpfungskette, Family Offices, Finanzinvestoren und im MBI-Nachfolgesegment auch viele tausend Privatpersonen. Darüber hinaus vermitteln wir Finanzierungspartner, Banken und Berater rund um die Transaktion und versuchen mit Podcast, Webinaren und Publikationen, den Austausch in der M&A- und Corporate-Finance-Community zu fördern.

Welche strukturellen Probleme im deutschen M&A-Markt löst ihr konkret?

Im KMU-Nachfolgesegment, etwa bei Unternehmen bis fünf Millionen Euro Umsatz, gibt es kaum große Investmentbanken. Stattdessen ein extrem fragmentiertes Feld kleiner Beratungshäuser und Einzelkämpfer. Sie wissen, wie M&A funktioniert — aber haben keinen klaren Branchenfokus. Heute verkaufen sie einen Metallverarbeitenden Betrieb, in drei Monaten ein Pflegeheim, in sechs Monaten eine Digitalagentur. Bei jedem Mandat fängt die Käuferrecherche bei Null an. Wir lösen das, indem wir mit hunderten M&A-Häusern zusammenarbeiten und so jährlich tausende Transaktionen über unsere Kanäle laufen. Jeder einzelne Berater profitiert vom kollektiven Datensatz: Wer morgen erstmals ein Pflegeheim verkauft, greift auf die Daten aus hunderten vergleichbaren Transaktionen der vergangenen Jahre zu.

Wie weit ist KI in eurem Matching heute tatsächlich?

Die Geschwindigkeit, in der sich der Tech-Stack entwickelt, ist brutal. Hätten wir vor drei Monaten gesprochen, wäre der Stack ein anderer gewesen. Konkret: Aus einem klassischen Suchfilter über unsere Datenbank mit rund fünf Millionen Käuferprofilen ist eine mehrstufige, semantische Suche geworden. Wir setzen einen N8N-basierten Prozess ein, der Vorfilter automatisiert, dann läuft eine Claude-basierte semantische Suche darüber, und am Ende prüft unser Analystenteam die Longlist menschlich. Wir bilden quasi digitale Zwillinge: Welche Art von Käufer hat in der Vergangenheit ein vergleichbares Target erworben — und welche Unternehmen in unserer Datenbank passen heute zu dieser Käuferkategorie? Daraus entstehen meist drei bis fünf Käuferkategorien mit klarer Priorisierung.

Du hast erwähnt, dass ihr eine eigene Klassifizierungs-Logik komplett ersetzt habt. Was war passiert?

Wir kontaktieren pro Verkauf rund 150 potenzielle Käufer. Allein im März waren es 300 Mandate, im Schnitt also rund 1.500 ausgehende E-Mails pro Tag, mit Follow-ups eher 2.500 — bei einer Rückmeldungsquote von gut 50 Prozent. Vor dreieinhalb Jahren haben wir einen eigenen Classifier trainiert, der Interesse, Rückfragen oder neue Profilinformationen automatisiert erkennen sollte. Als ChatGPT 3.5 herauskam, haben wir das, was wir ein Jahr lang gebaut hatten, praktisch über Nacht weggeworfen — weil die Qualität von ChatGPT dramatisch besser war. Heute werden eingehende Mails KI-gestützt klassifiziert, Käuferprofile automatisch angereichert und bei bestehender Rahmenvereinbarung sogar direkt der Kontakt zum Verkäufer hergestellt. Unser Support-Team ist nicht kleiner geworden, macht aber heute andere Dinge.

Wie identifiziert ihr eigentlich neue Use Cases — und wie verankert ihr KI in der gesamten Organisation?

Vor rund zwei Jahren hat ein Kollege intern die Initiative ergriffen und ein AI-Ambassador-Team angestoßen, abteilungsübergreifend sechs, sieben Kolleginnen und Kollegen, die Lust auf das Thema hatten und einen Teil ihrer Arbeitszeit darauf verwenden durften. Daraus sind inzwischen zwei Vollzeit-Process-Automation-Manager geworden — eine Mischung aus Produkt- und Prozessmanagement, sehr nah an den operativen Teams. Parallel haben wir Technologieneugier breit verankert: jeder Mitarbeitende hat einen Claude-Enterprise-Account, in jedem Feedbackgespräch — bei uns alle drei Monate oder häufiger — fragen wir konkret nach KI-Einsatz, und wir machen mehrmals pro Woche Learning Lunches und Austauschformate. In einer Mannschaft von gut 60 Leuten lässt sich das tatsächlich operativ leben.

Steigt damit auch der persönliche Druck?

Ja. Ich sitze im Call und lasse parallel Claude noch eine Aufgabe laufen, springe zwischen den Hochzeiten hin und her. Die Produktivität steigt extrem — aber die Arbeit wird nicht weniger. Ob das mental immer gesund ist, ist eine andere Diskussion. Die Begeisterung in der Mannschaft ist groß, aber dieser Trade-off gehört zur ehrlichen Antwort dazu.

Spielt die Due Diligence in eurem Geschäftsmodell eine Rolle?

Wir selbst sind operativ nicht in der DD drin, sehen aber den Markt sehr gut. Es gibt viele spannende Tools — Datenraum-Chatbots, im Legal-Bereich Harvey oder Legora — die heute Verträge in großem Umfang auslesen und Q&A direkt im Datenraum ermöglichen. Das steigert die Qualität deutlich. Aber die Dauer der DD verkürzt sich kaum, weil die zentrale Frage offen bleibt: Wer übernimmt die Haftung, wenn die KI eine Information falsch wiedergibt? Bei Multimillionen- oder Milliardendeals will der Käufer eine Haftungserklärung des Beraters — und die kann der Berater nicht abgeben, wenn nur ein Chatbot die Antwort gegeben hat.

Off-Market-Deals sind aktuell ein heißes Thema. Wie bewertest du den Bereich?

Off-Market-Datenbanken versuchen, Verkaufssignale aus öffentlichen Daten zu lesen — Inhaberalter, Hinweise auf Nachfolger im Unternehmen, Finanzkennzahlen, bei Tech-Unternehmen abnehmende Entwicklungsgeschwindigkeit. Es gibt mittlerweile sehr viele Anbieter — fast schon ein Red Ocean, weil es technologisch nicht mehr besonders schwer ist und am Ende alle mit denselben öffentlich verfügbaren Daten arbeiten. Das größere Problem: Die Käuferseite hat in der Regel keine Geduld für Pipelines, die sich erst über zwei Jahre materialisieren. Käufer wollen eher die On-Market-Transaktionen sehen, die zu ihnen passen, und das möglichst effizient. Eine seriöse Strategie braucht mittelfristig wahrscheinlich beides.

Wie sieht der M&A-Markt in zwei bis drei Jahren aus?

Schwer, in diesem Zeitraum verlässlich zu antworten — heute ist es schon schwierig, in zwei, drei Monaten zu denken. Aber meine These: Was wir heute als Kerngeschäft machen, ein datengetriebenes Matching, wird zumindest ab gewissen Größenordnungen — etwa Kaufpreisen ab 50 Millionen Euro aufwärts — ein Commodity sein. Würde ich DealCircle heute gründen, würde ich es nicht mit diesem Kerngeschäft starten. Wir haben durch acht Jahre proprietäre Daten einen guten Moat, aber dessen Wirkung wird abnehmen. Wir entwickeln unser Modell deshalb gerade massiv weiter — das heutige Kerngeschäft wird in zwei, drei Jahren ein Feature in einem neuen Produkt sein. Der M&A-Berater bleibt, aber als Orchestrator von Tools entlang Exposé, Info-Memo, Datenraum, DD, Longlist und Marktansprache. Spannend wird, ob die hochfinanzierten Tools, die heute Investmentbanker unterstützen sollen — ein US-Anbieter hat allein 2025 rund 100 Millionen Dollar von Sequoia, Nomura und JP Morgan eingesammelt — mittelfristig ihre eigenen Kunden ersetzen wollen. Und gleichzeitig fragt man sich: Wenn man ein Wochenende mit Claude verbringt, braucht es das teure externe Tool dann überhaupt noch? Diese Spannungsfelder werden die nächsten zwei, drei Jahre prägen.

Vielen Dank für das Gespräch.

Sehr gerne — und bei der Themenfülle gerne beim nächsten Mal in mehreren Folgen.