Der Weg zum KI-Gründungsberater: Automatisierung des Feedbacks von Businessplänen

Abstract

Die Gründung eines Unternehmens stellt eine Vielzahl von Menschen vor eine Herausforderung, die sie in dieser Form noch nicht bewältigt haben. Ein zentrales Element jeder Gründungsvorbereitung ist der Businessplan, der das Geschäftsmodell beschreibt und von Banken als Voraussetzung für eine Kreditvergabe zur Gründungsfinanzierung gefordert wird. Die Erstellung eines vollständigen und überzeugenden Businessplans stellt für viele Gründer eine große Hürde dar. Obwohl es umfangreiche Beratungsangebote gibt, sind diese oft mit hohen Kosten verbunden oder geförderte Angebote aufgrund von Förderrichtlinien nicht allen Gründern zugänglich. Diese Situation führt dazu, dass viele Gründer unzureichend ausgereifte Businesspläne erstellen, welche Fehler und Schwachstellen beinhalten. Diese Mängel können die Erfolgsaussichten der Gründung und der Gründungsfinanzierung erheblich beeinträchtigen. Vor diesem Hintergrund wird deutlich, dass ein Bedarf an kostengünstigem, einfach zugänglichem und qualitativ hochwertigem Feedback zu Businessplänen besteht.In der vorliegenden Arbeit wird deshalb mittels der Design Science Research Methodologie ein Softwareartefakt entwickelt, das Gründer automatisiert auf Schwachstellen in ihren Businessplänen aufmerksam machen soll. Der Fokus liegt dabei auf Businessplänen zu Gründungen mit geringem Innovationsgrad, die die bedeutende Mehrheit der Gründungen ausmacht. Dazu werden häufige Schwachstellen in Businessplänen anhand von Experteninterviews erhoben und mit bekannten Schwachstellen aus der Literatur abgeglichen. Die Schwachstelle der unvollständigen Executive Summary stellt sich hierbei als besonders bedeutsam heraus, weshalb vier verschiedene Lösungsansätze zur Beseitigung dieser entwickelt und mittels einer Nutzwertanalyse verglichen werden. Dabei zeigt sich, dass der Lösungsansatz Feedback für die Executive Summary auf Basis eines Large Language Models (LLM) bereitzustellen, den höchsten Nutzwert aufweist. Für LLM-basiertes Feedback wird anhand einer strukturierten Literaturrecherche der Stand der Technik erhoben und ein Artefakt auf Basis des LLMs „OpenAI o1-preview“ entwickelt. Die Validierung der Entwicklungsergebnisse erfolgt auf Basis von drei Kriterien: (1) Konsistenz der Bewertungsergebnisse, (2) Übereinstimmung mit Expertenbewertungen und (3) Qualität des Feedbacks. Das Ergebnis der Validierung zeigt, dass das Artefakt in der Lage ist konsistentes und qualitativ hochwertiges Feedback zu Businessplan Executive Summarys zu geben, das sich mit den Ansichten von Businessplan-Experten deckt.

Starting a business is a challenge that many people have never faced before in this form. A central element of any start-up preparation is the business plan, which describes the business model and is required by banks as a prerequisite for granting a loan to finance a start-up. Creating a complete and convincing business plan is a major hurdle for many founders. Although there are extensive consulting services available, these are often associated with high costs or subsidised services are not accessible to all founders due to funding guidelines. This situation leads to many founders creating inadequately developed business plans that contain errors and weaknesses. These shortcomings can significantly impair the chances of success of the start-up and the start-up financing. Against this background, it is clear that there is a need for cost-effective, easily accessible and highquality feedback on business plans.This thesis therefore uses the Design Science Research Methodology to develop a software artefact that is intended to automatically draw founders' attention to weaknesses in their business plans. The focus is on business plans for start-ups with a low degree of innovation, which make up the significant majority of start-ups. To this end, common weaknesses in business plans will be identified on the basis of expert interviews and compared with known weaknesses from the literature. The weakness of the incomplete executive summary proves to be particularly significant, which is why four different approaches to eliminating it are developed and compared by means of a utility analysis. This shows that the solution approach of providing feedback for the executive summary on the basis of a Large Language Model (LLM) has the highest utility value. For LLM-based feedback, a structured literature search is used to determine the state of the art and an artefact is developed based on the LLM ‘OpenAI o1-preview’. The validation of the development results is based on three criteria: (1) consistency of the evaluation results, (2) agreement with expert evaluations and (3) quality of feedback. The result of the validation shows that the artefact is able to provide consistent and highquality feedback on business plan executive summaries that is in line with the views of business plan experts.