KI-Analyse: KI-Einsatz beim Jahresabschluss

Einleitung zum Thema KI-Analyse 

Ein Large Language Model ist kein klassisches Analyseprogramm. Milliarden von Textbeispiele haben diese Systeme darauf trainiert, Muster in Sprache, Dokumenten und Zusammenhängen zu erkennen.

Die KI-Analyse unterscheidet sich grundlegend von traditionellen Auswertungsmethoden, weil Large Language Models Informationen semantisch interpretieren. Sie verbinden Zahlen mit Beschreibungstexten, Buchungslogiken mit Prozesswissen und einzelne Datenpunkte mit ihrem betrieblichen Kontext.

Warum gerade Buchhaltung und Revision profitieren

In der Buchhaltung entstehen eine grosse Anzahl an Daten, was ideale Bedingungen sind, um die KI-Analyse erfolgreichen einzusetzen. Large Language Models sind in der Lage, grosse Datenmengen innert Sekunden zu analysieren. Damit liessen sich zehntausende Buchungen gleichzeitig screenen. Die Formulierung im Konjunktiv ist kein Zufall. Ein zentrales Hindernis steht der Realität noch im Weg:

Die Diskussion über künstliche Intelligenz im Rechnungswesen wird häufig entlang einer falschen Frage geführt. Es geht weniger darum, ob KI den Menschen ersetzt. Entscheidend ist, welche Aufgaben sich strukturell verschieben. Bereits heute übernimmt KI vor allem Tätigkeiten, die stark standardisiert, datenintensiv und repetitiv sind. Dazu gehört die Verarbeitung unstrukturierter Daten wie PDF-Belege ebenso wie Bankabstimmungen, die durch automatisierte Reconciling-Prozesse deutlich schneller erfolgen. Auch die Kategorisierung von Spesen, das Erstellen erster Entwürfe von Abschlüssen, das systematische Screening nach Anomalien sowie grosse Teile der Routinedokumentation lassen sich effizient durch KI unterstützen oder vorbereiten.

Gleichzeitig bleiben zentrale Elemente des Berufs klar menschlich geprägt. Professionelles Urteil, ethische Abwägungen und die Verantwortung für Entscheidungen lassen sich nicht automatisieren. Die Unterzeichnung eines Bereichts, die Einordnung komplexer Sachverhalte oder die Beratung von Mandanten verlangen Erfahrung, Kontextverständnis und Verantwortungsbewusstsein. Ebenso bleibt die regulatorische Verantwortung beim Menschen. 

Tools und Anwendungen im Überblick 

Der Markt für KI-gestützte Arbeitswerkzeuge entwickelt sich derzeit entlang unterschiedlicher Spezialisierungen. Ein Vergleich von Claude Cowork, ChatGPT und NotebookLM zeigt, dass sich die Systeme weniger durch grundsätzliche Leistungsfähigkeit unterscheiden als durch ihre jeweilige Denklogik und ihren praktischen Einsatzbereich.

Claude Cowork, entwickelt von Anthropic, positioniert sich klar im Bereich der Dokumentenanalyse. Seine Stärke liegt im Umgang mit grossen Textmengen, Richtlinien, Verträgen oder Prüfungsunterlagen. Besonders das sehr grosse Kontextfenster ermöglicht es, umfangreiche Dokumente konsistent zu analysieren und Zusammenhänge über viele Seiten hinweg zu erfassen. Funktionen zur direkten Codeausführung oder Visualisierung stehen derzeit kaum im Zentrum, wodurch das Tool vor allem für strukturierte Lese-, Analyse- und Reviewprozesse geeignet ist.

ChatGPT verfolgt einen anderen Ansatz. Die Stärke liegt in der Verbindung von Sprachmodell und ausführbarer Analyseumgebung. Durch integrierte Python-Funktionen lassen sich Daten direkt auswerten, visualisieren und statistisch prüfen. Damit eignet sich das System besonders für quantitative Analysen, Auswertungen von Buchungsdaten oder explorative Prüfverfahren. Visualisierungen können unmittelbar im Arbeitsprozess entstehen, was den Übergang von Analyse zu Interpretation deutlich verkürzt.

NotebookLM von Google wiederum versteht sich primär als wissenszentrierte Arbeitsumgebung. Der Fokus liegt darauf, grosse Dokumentensammlungen zusammenzuführen und daraus konsistente Wissensräume zu schaffen. Mindmaps, strukturierte Zusammenfassungen oder Audioausgaben ermöglichen einen anderen Zugang zu komplexen Informationsbeständen. Das System eignet sich besonders für Recherche, Wissensmanagement und Schulungszwecke, weniger für datenanalytische Anwendungen im engeren Sinn.

Der Vergleich zeigt, dass es kaum sinnvoll ist, nach dem besten KI-Tool zu suchen. Entscheidend ist vielmehr die Passung zum jeweiligen Arbeitsschritt. Dokumentenanalyse, datenbasierte Auswertung und Wissensorganisation folgen unterschiedlichen Anforderungen. Erfolgreiche Anwendungen entstehen deshalb meist durch eine Kombination mehrerer Systeme, die jeweils ihre spezifische Stärke ausspielen.

Jahresabschluss

KI-Analysen unterscheiden verschiedene Typen von Anomalien, die jeweils auf unterschiedliche Risiken oder Prozessschwächen hinweisen.

Eine erste Kategorie bilden betragliche Auffälligkeiten. Dazu zählen ungewöhnlich runde Beträge, Transaktionssplitting knapp unterhalb von Freigabegrenzen oder Extremwerte, die nicht zum üblichen Geschäftsverlauf passen. Solche Abweichungen können auf Umgehungsversuche interner Kontrollen, fehlerhafte Verbuchungen oder bewusst gesteuerte Ergebniswirkungen hindeuten.

Zeitliche Anomalien betreffen den Buchungszeitpunkt. Buchungen an Wochenenden, spät nachts oder gehäuft unmittelbar vor Periodenabschlüssen verdienen erhöhte Aufmerksamkeit. Häufig spiegeln sich darin Zeitdruck, nachträgliche Korrekturen oder bewusste Verschiebungen zwischen Rechnungsperioden.

Eine weitere Ebene bilden musterbasierte Auffälligkeiten. Dazu gehören doppelte Transaktionen, Sequenzlücken in Belegnummern oder sogenannte Kreisbuchungen, bei denen Beträge mehrfach durch verschiedene Konten laufen. Diese Muster weisen oft auf Prozessfehler, mangelnde Abstimmungen oder unklare Verantwortlichkeiten hin.

Textbasierte Anomalien sind  Unpräzise Formulierungen, fehlende Referenzen oder bestimmte Schlüsselbegriffe können Hinweise auf unzureichende Dokumentation liefern. Gerade bei grossen Datenbeständen lassen sich solche sprachlichen Signale manuell kaum erkennen, gewinnen jedoch im Rahmen automatisierter Analysen an Bedeutung.

Schliesslich rückt das Benutzerverhalten zunehmend in den Fokus. Ungewöhnliche Erfassungsmuster einzelner Mitarbeitender, Selbstgenehmigungen oder stark abweichende Buchungsaktivitäten können auf Kontrolllücken oder organisatorische Schwächen hinweisen. Damit erweitert sich die Prüfungsperspektive von der einzelnen Buchung hin zum gesamten Prozess- und Verhaltenskontext.

Rechtliche Aspekte der KI-Analyse 

Die bestehenden Rechnungslegungsstandards bleiben gültig. Neu ist jedoch, dass der Einsatz von KI selbst zum prüfungsrelevanten Bestandteil wird.

Unternehmen sollten angaben, welche KI-Tools eingesetzt wurden, welche Eingaben oder Prompts zur Analyse geführt haben und auf welche Weise die resultierenden Ergebnisse überprüft wurden. Die Nachvollziehbarkeit der Entscheidungsgrundlage gewinnt damit zusätzlich an Bedeutung. KI-gestützte Analysen dürfen nicht als Black Box erscheinen, sondern müssen für Dritte verständlich rekonstruierbar bleiben.

Unverändert bleibt die Verantwortung bei der verantwortlichen Fachperson. Die KI-Analyse ist ein Hilfsmittel, aber kein Entscheidungsträger. Professionelle Skepsis bleibt ein zentrales Arbeitsprinzip in der Buchhaltung bestehen. Ergebnisse aus KI-Systemen benötigen deshalb eine bewusste menschliche Einordnung sowie eine manuelle Validierung. Plausibilitätsprüfungen, Stichproben und Gegenkontrollen gewinnen durch den KI-Einsatz sogar an Gewicht, weil automatisierte Systeme überzeugende, jedoch nicht zwingend korrekte Resultate erzeugen können.