Der M&A-Markt hat sich in den letzten 15 Jahren radikal gewandelt. Geschäftsmodelle sind hybrider, technischer und komplexer geworden. Doch während die Investment-Thesen immer schärfer werden, basiert das fundamentale Werkzeug des Deal-Sourcings oft noch auf der „Klassifikation der Wirtschaftszweige, Ausgabe 2008“ (WZ 2008) oder auf NACE-Codes.

Für Analysten und M&A-Berater ist der Griff zum Branchencode der klassische Startpunkt jeder Longlist-Erstellung. Man filtert nach „62.01 Entwicklung von Software“ oder „28.99 Herstellung von sonstigen Maschinen“, in der Hoffnung, den Markt abzubilden. Doch diese statische Herangehensweise birgt im heutigen Marktumfeld ein signifikantes Risiko. Wer in einer dynamischen Wirtschaft starr nach Codes filtert, operiert mit einer scheinbaren Genauigkeit, die in der Realität nicht existiert.

Das Problem ist nicht nur die Ineffizienz durch manuelles Aussortieren unpassender Treffer. Das wahre Risiko sind die False Negatives, jene Hidden Champions und attraktiven Targets, die durch das Raster fallen, weil sie schlichtweg in der falschen Schublade liegen. In einem kompetitiven Umfeld, in dem der Zugang zu proprietären Deals über den Erfolg entscheidet, ist die Nutzung von WZ-Codes kein verlässlicher Standard mehr, sondern ein Wettbewerbsnachteil.

Das Problem: Warum die Realität nicht mehr in Codes passt

Warum versagen klassische Branchencodes heute zunehmend? Der Grund liegt in der Struktur moderner Unternehmen. Ein WZ-Code zwingt jedes Unternehmen, sich bei der Anmeldung für eine primäre Schublade zu entscheiden. Die wirtschaftliche Realität lässt sich jedoch selten auf eine einzelne Ziffernfolge reduzieren. Drei strukturelle Probleme machen das Sourcing per Code heute ineffizient:

• Die Hybrid-Falle: Moderne Unternehmen verbinden oft klassische Industrien mit neuen Technologien. Ein Unternehmen, das KI-gesteuerte Drohnen für die Landwirtschaft entwickelt, ist weder ein reiner Landmaschinenhersteller noch ein klassisches Softwareunternehmen. Wählt der Gründer bei der Anmeldung den Code für „Maschinenbau“, wird dieses Unternehmen von jedem Investor übersehen, der nach „Software“ oder „Tech“ sucht. Innovation findet heute an den Schnittstellen statt – genau dort, wo WZ-Codes blind sind.

• Das „Sonstige“-Sammelbecken: Wer sich tiefer mit Datenbanken beschäftigt, kennt das Phänomen: Die spannendsten Nischenanbieter verstecken sich oft hinter generischen Codes wie „Erbringung von sonstigen wirtschaftlichen Dienstleistungen“ oder „Herstellung von sonstigen Waren“. Diese Kategorien sind riesige Sammelbecken ohne inhaltliche Trennschärfe. Wer diese Codes ausschließt, verliert potenzielle Targets. Wer sie einschließt, ertrinkt im Rauschen irrelevanter Treffer (Noise).

• Die Holding-Problematik (D-A-CH Spezifikum): Besonders im deutschsprachigen Mittelstand sind operative Einheiten oft unter Holding-Strukturen organisiert. Der WZ-Code dieser Muttergesellschaften lautet häufig „Verwaltung von eigenem Vermögen“ oder „Beteiligungsgesellschaften“. Eine klassische Code-Suche führt hier in eine Sackgasse: Entweder filtert man Holdings heraus und verliert den Zugriff auf das operative Asset, oder man erhält tausende reine Vermögensverwaltungen, die keine operativen Targets darstellen.

Ein Code, der bei der Gründung vor zehn Jahren festgelegt wurde, sagt zudem nichts über den Pivot aus, den das Unternehmen vor zwei Jahren vollzogen hat. Während das Unternehmen sich weiterentwickelt, bleibt der Code statisch und das Target für den klassischen Sourcing-Prozess unsichtbar.

Die Konsequenz für den Dealflow: Rauschen statt Relevanz

Die Abhängigkeit von statischen Klassifikationen führt in der Praxis zu zwei kostspieligen Ineffizienzen im Deal-Origination-Prozess:

Zum einen erzeugt die Code-basierte Suche massives „Rauschen“ (False Positives). Wer beispielsweise nach Unternehmen im Bereich „E-Commerce“ sucht und den entsprechenden WZ-Code wählt, erhält eine Liste, die vom globalen Online-Shop bis zum lokalen Einzelhändler mit Web-Visitenkarte alles enthält. Analysten verbringen in der Folge Stunden damit, irrelevante Treffer manuell aus der Longlist zu streichen. Diese Ressourcenbindung im Research fehlt am Ende bei der Ansprache und Deal-Anbahnung.

Zum anderen – und das wiegt schwerer – entstehen systematische „blinde Flecken“ (False Negatives). Die attraktivsten Targets sind oft jene, die sich nicht einfach kategorisieren lassen. Ein Hidden Champion, der eine Nischen-Technologie für die Automobilindustrie entwickelt, ist womöglich historisch als „Ingenieurbüro“ gelistet. Fällt dieses Unternehmen durch das Raster der Branchencodes, existiert es für den Käufer faktisch nicht. In einem Markt, in dem Alpha durch Informationsvorsprung generiert wird, sind diese verpassten Opportunitäten der eigentliche Kostenfaktor veralteter Suchmethoden.

Der Trugschluss des „Intelligenten Mappings“: Warum diese Ansätze nicht ausreichen

In dem Versuch, die starre WZ-Logik nutzbar zu machen, setzen einige Anbieter auf ein semantisches Mapping auf die Codes. Die Idee klingt zunächst pragmatisch: Der Nutzer gibt ein modernes Keyword ein (z. B. „Cybersecurity“), und das Tool schlägt basierend darauf die passenden WZ-Codes vor.

Doch dieser Ansatz ist bestenfalls eine kosmetische Korrektur und löst das fundamentale Strukturproblem nicht. Er digitalisiert lediglich den Wegweiser zu einer veralteten Schublade. Das Problem hierbei ist die Entkopplung von Suchintention und Realität:

1. Der „Wrapper“-Effekt: Ein Tool, das Keywords lediglich in WZ-Codes übersetzt, bleibt am Ende an die Grenzen des Codes gefesselt. Wenn ein innovatives FinTech-Startup fälschlicherweise (oder historisch bedingt) als „Sonstige Softwareentwicklung“ klassifiziert ist, hilft auch das beste Keyword-Mapping nicht. Das Tool führt den Analysten zielsicher zur falschen Kategorie oder einer völlig verwässerten Liste.

2. Mangelnde Granularität: Die Verzeichnisse können nur das wiedergeben, was im Register steht. Sie validieren nicht den Inhalt des Unternehmens. Wenn Sie nach „3D-Druck für die Medizintechnik“ suchen und das Tool Sie zum Code für „Herstellung von medizinischen Geräten“ leitet, erhalten Sie tausende Treffer. Die Identifikation, wer davon tatsächlich 3D-Druck einsetzt, bleibt Handarbeit.

3. Das Validierungs-Problem: Solche Systeme vertrauen blind auf die Selbstauskunft des Unternehmens bei der Gründung. Sie prüfen nicht, ob das Unternehmen heute noch das tut, was der Code suggeriert. Ein semantischer Abgleich, der nur auf der Ebene der Klassifikation stattfindet und nicht auf der Ebene der operativen Unternehmensdaten (Webseite, News, Produkte), reproduziert lediglich die Fehler der Vergangenheit in einem modernen Interface.

Der Paradigmenwechsel: Semantik schlägt Statik

Die Lösung liegt in der Abkehr von Metadaten hin zu tatsächlichen Inhalten. Das „moderne Handelsregister“ ist längst nicht mehr die Datenbank des Amtsgerichts, sondern die Webseite des Unternehmens. Dort beschreiben Firmen präzise, was sie tun, welche Märkte sie bedienen und welche Technologien sie einsetzen.

Ein Beispiel aus der Praxis verdeutlicht den Unterschied: Suchen Sie klassisch nach „EdTech“, finden Sie über WZ-Codes meist nur eine Handvoll Verlage oder Softwarehäuser. Ein semantischer Ansatz hingegen liest die Webseiten und erkennt Zusammenhänge. Er findet Unternehmen, die Begriffe wie „E-Learning“, „LMS“, „digitale Bildung“ oder „Remote Training“ verwenden – völlig unabhängig davon, ob das Unternehmen im Register als „Datenverarbeitung“ oder „Unterrichtswesen“ geführt wird. Es wird nicht nach der Kategorie eines Unternehmens gesucht, sondern nach dessen Geschäftsmodell.

Die Lösung: KI-gestütztes Sourcing mit ProxDeal

Genau hier setzt ProxDeal an. Anstatt den Nutzer durch starre Filterbäume zu zwingen, nutzt die Plattform eine KI-gestützte semantische Suche. Der M&A-Professional beschreibt das gesuchte Target in natürlicher Sprache – so, wie er es einem Kollegen erklären würde.

Der entscheidende Vorteil ist die Kontextualisierung. Der Algorithmus versteht den Unterschied zwischen einem Unternehmen, das Solaranlagen herstellt, und einem Handwerksbetrieb, der sie installiert. Er identifiziert Holding-Strukturen, indem er prüft, ob eine Webseite auf operatives Geschäft hinweist oder lediglich Investoren anspricht. ProxDeal übersetzt die Suchintention (z.B. „SaaS-Anbieter für HR-Lösungen“) in eine präzise Longlist, indem es Millionen von Webseiten-Inhalten und Registerdaten in Echtzeit abgleicht.

Das Ergebnis ist eine Longlist, die nicht auf veralteten Selbstauskünften basiert, sondern auf dem aktuellen digitalen Fußabdruck der Unternehmen. Das eliminiert das „Sonstige“-Problem und macht Nischenmärkte überhaupt erst transparent zugänglich.

Fazit: Ein neues Betriebssystem für M&A

WZ-Codes waren das adäquate Werkzeug für eine analoge, klar abgegrenzte Industriewirtschaft. Im Zeitalter digitaler Geschäftsmodelle und hybrider Wertschöpfungsketten sind sie jedoch ein limitierender Faktor. Wer heute noch ausschließlich auf Basis von Branchencodes sucht, akzeptiert unnötiges Rauschen und übersieht systematisch Nischen und Unternehmen.

Die Zukunft des Deal-Sourcings ist nicht statisch, sondern semantisch. Technologien wie ProxDeal machen diesen qualitativen Sprung skalierbar. Für M&A-Berater und Investoren bedeutet das: Weniger Zeit in Excel-Listen zur Bereinigung von Daten investieren und mehr Zeit für das, was wirklich zählt – die Transaktion selbst.