AgentCore strukturiert M&A-Due-Diligence als prüfbares Mehragentensystem

Wenn aus Sichtung Wochenarbeit wird

M&A-Teams kennen das Problem aus jedem Deal-Zyklus: mehrere Zielunternehmen parallel prüfen, ohne bei Tempo oder Sorgfalt Abstriche zu machen. Amazon Web Services bringt es im Beitrag zu Amazon Bedrock AgentCore auf den Punkt: Teams often spend weeks manually reviewing targets before identifying viable opportunities. Diese Woche-für-Woche-Prüfung ist der eigentliche Kostenfaktor von M&A Due Diligence mit Agenten – nicht die Bewertung selbst, sondern das mühsame Zusammentragen der Grundlagen dafür, bevor überhaupt eine Entscheidung möglich wird.

AWS benennt vier Reibungspunkte, die sich gegenseitig verstärken: langsame Prüfzyklen, verteilte Datenquellen, doppelte Arbeit zwischen Transaktionen und Governance-Anforderungen, die jede KI-gestützte Aussage nachvollziehbar machen müssen. Industry Research, Bewertungsmodelle und Wettbewerbsanalysen werden laut AWS für jeden neuen Deal neu erstellt, statt auf institutionellem Wissen aus vorherigen Transaktionen aufzubauen. Gleichzeitig bremsen Governance-Bedenken die KI-Einführung, weil Rechts- und Compliance-Teams belastbare Nachweise dafür verlangen, dass KI-generierte Einschätzungen korrekt, nachverfolgbar und durch Quellenangaben gestützt sind.

Amazon Bedrock AgentCore ist dabei kein fertiges Analyseprodukt, sondern eine Plattform, um Agenten mit beliebigem Framework und Modell zu bauen, zu verbinden und im Betrieb zu optimieren. Was aus dieser Offenheit in der Praxis wird, zeigt sich erst an der konkreten Architektur – und die beschreibt AWS im selben Beitrag bis auf die einzelne Komponente herunter. Für M&A Due Diligence mit Agenten heißt das: Der Ausgangspunkt ist ein belegtes Problem, keine vage Automatisierungsversprechung, und genau deshalb lohnt sich der Blick auf die einzelnen Bausteine, bevor man über Rollout-Entscheidungen spricht. Zwei Wege stehen laut AWS offen: eine vorkonfigurierte Lösung namens Amazon Quick für Standardfälle oder eine mit Amazon Bedrock AgentCore selbst gebaute Architektur für Teams mit eigenen Bewertungsmethoden, komplexer Mehragentenkoordination oder dem Bedarf an vollständiger Kontrolle über Agentenverhalten und Modellwahl. Der Rest dieses Beitrags folgt konsequent dem zweiten, anspruchsvolleren Weg.

Ein Supervisor und vier Fachagenten

Im Zentrum steht ein Supervisor-Agent, der über das Strands Agents SDK vier spezialisierte Agenten nach dem Agents-as-Tools-Muster ansteuert und Anfragen anhand der jeweiligen Aufgabenstellung an die passenden Spezialisten weiterleitet. Bei M&A Due Diligence mit Agenten übernimmt jeder Fachagent eine klar abgegrenzte Phase der Prüfung, statt dass ein einzelnes Modell die gesamte Analyse in einem Durchgang erledigt. Nutzer interagieren über ein Jupyter-Notebook oder eine Terminal-Oberfläche, während die AgentCore-Runtime Ausführung und Zusammenspiel der Agenten verwaltet.

Der Target Screening Agent übersetzt natürlichsprachliche Suchkriterien in SQL und fragt sie gegen eine Amazon-Aurora-PostgreSQL-Datenbank ab – aus einer Formulierung wie mittelständische Logistikunternehmen mit 100 bis 500 Millionen US-Dollar Umsatz und EBITDA-Margen über 12 Prozent wird eine parametrisierte Abfrage, ohne dass Analysten selbst SQL schreiben müssen. Der Financial Analysis Agent rechnet mit Discounted-Cash-Flow-Modellen und Comparable-Company-Analysen, holt Marktmultiplikatoren über ein AgentCore-Gateway-Tool und dokumentiert seine Annahmen inline, inklusive Markierung von Management-Prognosen, die von historischen Werten abweichen.

Der Strategic Fit Agent gleicht das aktuelle Ziel mit abgeschlossenen Transaktionen aus dem Gedächtnis der Plattform ab, bewertet Integrationsrisiken, Synergien und organisatorische Passung und identifiziert Risiken mit Zitaten zu den ursprünglichen Memos. Der Compliance Validation Agent schließlich prüft jede Antwort gegen eine M&A-Governance-Checkliste und markiert Aussagen ohne Quellenbeleg – über einen eigenen, als AWS-Lambda-Funktion implementierten Citation-Check-Evaluator, der jede sachliche Behauptung in einer Antwort einzeln durchgeht.

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellseedream_v4_5; quality=high; 5120x2880PromptSeveral specialized magnifying instruments examine separated layers of a transaction dossier represented by blank paper textures and color-coded tabs without any printed marks, while a central bound archive preserves the trail, no writing, no numbers, no charts, no logos, no interface, photorealistic editorial desk scene. A tight documentary composition emphasizes hands-on consequences in a fully text-free scene with blank surfaces and no legible markings. Photorealistic style image. Mood: practical, focused, and investigative. Avoid: watermark, signature, blurry, low quality, distorted, deformed.

Finanzquellen und Wissensbestände zusammenführen

Strukturierte Kennzahlen liegen in Amazon Aurora PostgreSQL Serverless v2; der Screening-Agent erzeugt seine SQL-Abfragen automatisch über die RDS Data API und liefert damit schnellen Zugriff auf Zielunternehmenskennzahlen, ohne dass Analysten selbst Code schreiben. Unstrukturierte Dokumente – vertrauliche Informationsmemoranden, Jahresabschlüsse, Pressemappen und interne Governance-Checklisten – liegen in Amazon Bedrock Knowledge Bases, der verwalteten RAG-Komponente von Bedrock. Agenten holen dort passende Textstellen und zitieren sie inline, statt Inhalte frei zu generieren.

Für externe Marktdaten kommt AgentCore Gateway zum Einsatz: eine über das Model Context Protocol angebundene Schnittstelle, hinter der ein AWS-Lambda-Dienst steckt. Cedar-Richtlinien erzwingen dabei deterministische Zugriffskontrollen auf Werkzeug- und Agentenebene – ein Agent bekommt nur die Daten, für die eine Regel ihm explizit die Freigabe erteilt. Diese Kombination aus strukturierten und unstrukturierten Quellen soll laut AWS jede Agentenantwort in verifizierten Datenpunkten verankern, statt sie allein auf Modellwissen zu stützen, was bei M&A Due Diligence mit Agenten den Unterschied zwischen einer plausiblen und einer belegten Einschätzung ausmacht.

AgentCore Evaluations ergänzt diese Kette um automatisierte Qualitätsprüfungen: Lambda-basierte Evaluatoren bewerten Ausgabequalität, Zitationsgenauigkeit und fachspezifische Kriterien, bevor eine Analyse als abgeschlossen gilt. Der Citation-Check-Evaluator liefert dabei ein strukturiertes Ergebnis mit der Anzahl belegter und unbelegter Aussagen – eine Kennzahl, die sich pro Deal vergleichen lässt.

Was die Gedächtnisebene wirklich leistet

AgentCore Memory unterscheidet zwischen kurzlebigem Sitzungsgedächtnis, das die Konversationskontinuität innerhalb einer Analyse hält, und einem dauerhaften Namespace namens prior_deals. Dort landen Erkenntnisse aus abgeschlossenen Transaktionen, auf die der Strategic Fit Agent bei jeder neuen Prüfung zugreift – inklusive Zitaten zu den ursprünglichen Memos. Teams müssen frühere Bewertungsannahmen damit nicht aus Ordnern rekonstruieren, sondern der Agent bringt sie automatisch in die laufende Analyse ein, wodurch sich laut AWS Zeit einsparen lässt, die zuvor für die reine Wiederbeschaffung von Kontext anfiel. Konkret bedeutet das: Ein Team, das im dritten Quartal einen Logistik-Deal abgeschlossen hat, profitiert im vierten Quartal bei einem vergleichbaren Ziel automatisch von den damaligen Integrationslektionen, ohne dass jemand die alten Unterlagen erneut durchsuchen muss.

Der süffisante Haken daran: Ein Gedächtnis, das falsche Annahmen aus einem früheren Deal unkommentiert weiterreicht, produziert beim nächsten Ziel denselben Fehler – nur schneller und mit mehr Autorität im Ton, weil die Aussage inzwischen wie etablierte institutionelle Erkenntnis wirkt. Governance-Fragen dieser Art sind branchenübergreifend nicht neu; vergleichbare Nachweisketten für KI-gestützte Fachaussagen kennt beispielsweise die Pharmaforschung, wo Anthropics API in klinischen Auswertungen ähnliche Zitierpflichten durchsetzt. Wer die prior_deals-Basis für M&A Due Diligence mit Agenten übernimmt, sollte sie also genauso regelmäßig auditieren wie die Aussagen, die sie speist, statt sie als unumstößlichen Wissensspeicher zu behandeln.

Auditierbarkeit als Kontrollmechanismus, nicht als Gütesiegel

Jede Aussage, die ein Agent trifft, soll laut AWS durch eine Zitation gedeckt und von einem eigenen Citation-Check-Evaluator geprüft sein. Dieser Lambda-basierte Evaluator liefert ein strukturiertes Bestehen-oder-Durchfallen-Ergebnis samt Anzahl belegter und unbelegter Aussagen. Jede Agenteninvocation erzeugt zusätzlich eine Audit-Spur, und Amazon Bedrock Guardrails setzt organisatorische Richtlinien auf Supervisor-Ebene durch, sodass Ausgaben der Fachagenten diese Kontrolle durchlaufen, bevor sie an Nutzer gehen.

Wichtig ist die Grenze dieses Mechanismus: Ein Audit-Trail beweist Nachvollziehbarkeit, nicht Richtigkeit. Compliance-Teams können jede zitierte Behauptung bis zum Quelldokument zurückverfolgen – ob das Quelldokument selbst korrekt interpretiert wurde oder ob die zugrunde liegenden Zahlen aktuell sind, bleibt eine menschliche Prüfaufgabe. Genau an dieser Stelle setzt unsere Analyse zu Governance-Anforderungen für Finanzagenten an, die zeigt, welche Nachweispflichten Rechts- und Compliance-Abteilungen für automatisierte Aussagen ohnehin schon verlangen, unabhängig vom eingesetzten Werkzeug.

Für M&A Due Diligence mit Agenten bedeutet das in der Praxis: Die Anzahl unbelegter Aussagen aus dem Citation-Check-Evaluator ist eine Kennzahl, die Compliance-Verantwortliche vor jeder Entscheidung einsehen sollten – nicht als Formalität, sondern als Frühwarnsystem für Agenten, die anfangen, über ihre Belegbasis hinauszugehen.

Sicherheitsarchitektur für sensible Zieldaten

M&A-Due-Diligence verarbeitet einige der sensibelsten Daten, die ein Unternehmen besitzt: unveröffentlichte Finanzkennzahlen, Deal-Konditionen und Integrationspläne. AWS reagiert darauf mit granularer Rechtevergabe: Jede IAM-Berechtigung, die ein Agent nutzen kann, ist auf eine konkrete Amazon Resource Name statt auf einen Wildcard-Ausdruck beschränkt. Für M&A Due Diligence mit Agenten ist diese Detailtiefe kein Nebenaspekt, sondern Bedingung dafür, dass ein Rechtefehler nicht gleich die gesamte Datenbasis offenlegt.

Das AgentCore-Gateway-Tool für Marktdaten geht noch einen Schritt weiter mit einer Cedar-Policy-Engine, die Default-Deny und attributbasierte Autorisierung erzwingt – ein Werkzeug läuft nur, wenn eine Regel den Zugriff für genau diesen Kontext explizit erlaubt. Je granularer die Freigabe, desto kleiner der Schaden, wenn ein Agent falsch abbiegt, ein Prompt manipuliert wird oder ein Fachagent versehentlich auf einen falschen Datensatz zugreift. Sicherheitsarchitektur ist damit weniger Beiwerk als vielmehr Voraussetzung für den produktiven Einsatz sensibler Dealdaten – und ein Punkt, an dem sich seriöse Referenzarchitekturen von reinen Demo-Aufbauten unterscheiden lassen.

Was der Pilot für Transaktionsteams bedeutet

Die vollständige Referenzimplementierung liegt als GitHub-Repository namens M&A Due Diligence Multi-Agent Sample vor, ausschließlich mit synthetischen Daten – keine realen Unternehmen, keine echten Finanzdaten, keine personenbezogenen Angaben. Ein einziger Deploy-Befehl richtet die Infrastruktur ein, ein Jupyter-Notebook führt durch Umgebungsprüfung, Datenübersicht und je eine Zelle pro Fachagent mit gerenderten Antworten und Zitaten. AWS nennt für einen vollständigen Deploy-Run-Cleanup-Zyklus Kosten von unter 5 US-Dollar – eine Rechengröße, die direkt aus dem Quellbeitrag stammt und nicht auf eigene Schätzungen dieser Redaktion zurückgeht.

Wer daraus mehr als eine Demo machen will, prüft vor dem Rollout drei Dinge: wie zuverlässig der Screening-Agent tatsächlich SQL aus Freitext erzeugt, wie oft der Citation-Check-Evaluator falsch-negativ oder falsch-positiv liegt, und wie eng der prior_deals-Namespace nach Mandant oder Geschäftsbereich abgegrenzt ist. Für M&A Due Diligence mit Agenten liefert Amazon Bedrock AgentCore die Bausteine für Orchestrierung, Wissenszugriff und Nachweisführung – die Kontrollpflicht für Auswahl, Konfiguration und laufende Prüfung bleibt beim Transaktionsteam selbst, nicht bei der Plattform.

Als nüchterne Zwischenbilanz bleibt: AWS zeigt eine dokumentierte, sicherheitsbewusste Referenzarchitektur mit synthetischen Testdaten – kein unabhängig verifiziertes Praxisergebnis aus einer echten Transaktion. Wer den Ansatz übernimmt, übernimmt zugleich die Verantwortung, Zitationsquote, Zugriffsrechte und Gedächtnisinhalte in der eigenen Umgebung laufend zu prüfen, statt sich auf die Architekturbeschreibung allein zu verlassen. Gerade weil die Referenzimplementierung bewusst mit synthetischen Daten arbeitet, lässt sich der Übergang zu echten, vertraulichen Deal-Unterlagen nicht eins zu eins übertragen; jede Organisation muss die IAM-Grenzen, die Cedar-Richtlinien und die Inhalte der Wissensbestände an ihre eigene Aktenlage anpassen, bevor aus dem Sample-Repository ein produktives System wird.