Voraussetzungen und Chancen von Künstlicher Intelligenz in der Abschlussprüfung und über die zukünftige Rolle des Menschen und der Maschine in der Abschlussprüfung

Kaum ein Bereich wird so stark mit Zahlen und Mathematik in Verbindung gebracht wie die Abschlussprüfung. Darum liegt der Schluss nahe, dass sich dieser Bereich wie kaum ein anderer dafür eignet, von intelligenten Algorithmen und Machine-Learning-Methoden transformiert zu werden. Ein genauerer Blick zeigt aber, dass der Arbeitsalltag von Wirtschaftsprüfern nur wenig mit dem eines rechnenden Wissenschaftlers zu tun hat. Sehr viel mehr sind bei der Abschlussprüfung menschliche Urteilskraft und Fragen des Ermessens gefragt. Dennoch stellt sich angesichts der Erfolge von Machine Learning die Frage, inwiefern auch Aufgaben im Rahmen der Abschlussprüfung transformiert, ersetzt oder erweitert werden.

Das Potential von Machine Learning in der Abschlussprüfung

Machine Learning ist eine Kategorie innerhalb des großen Themenkomplexes der Künstlichen Intelligenz. Aber auch Machine Learning ist nicht immer gleich Machine Learning. Beispielsweise lassen sich die grundlegend verschiedenen Methoden von Supervised-Machine-Learning und Unsupervised-Machine-Learning unterscheiden. Die im Moment am weitesten verbreitete Methode ist das Supervised Learning, bei dem ein intelligenter Algorithmus während einer Lern- bzw. Trainingsphase ein Feedback bekommt, ob das errechnete Ergebnis richtig oder falsch war. Das wirft die Frage auf, was im Bereich Abschlussprüfung ein richtiges oder falsches Ergebnis sein könnte. Ein vergleichbar eindeutiges Erfolgskriterium wie „richtig“ oder „falsch“ gibt es im Bereich der Prüfung aber nur in den wenigsten Fällen.

Herausforderungen bei der Abschlussprüfung

In der Bilanzierung gibt es zwar klare Regelungen wie beispielsweise die internationalen Bilanzierungsstandards IFRS. Diese erlauben aber Ermessen durch den Anwender und sind darum auslegungsbedürftig. Die IFRS enthalten neben einigen wenigen Bilanzierungsvorschriften ansonsten ganz bewusst nur Rechnungslegungsprinzipien. Es werden bewusst nicht alle möglichen Sachverhaltsvarianten geregelt, sondern der Einzelfall ist anhand der Prinzipien abzuleiten. Ansonsten müssten immer detailliertere Regelungen geschaffen werden, um alle Bilanzierungssachverhalte abzubilden („standard overload“).

Seit 2018 sind beispielsweise die neuen Regelungen zur Umsatzrealisierung (IFRS 15) anzuwenden. Betrachtet man nun die monatliche Grundgebühr eines Energieversorgers, so geht aus dem Standard nicht klar hervor, ob diese als Preiskomponente für den gelieferten Strom zu sehen ist und entsprechend auf die gelieferten kWh umzulegen ist oder als Vergütung für die ständige Bereitschaft Strom an den Kunden auf dessen Wunsch zu liefern, die monatlich in gleicher Höhe als Umsatz zu erfassen ist. Letztere Meinung hat sich derzeit im Schrifttum durchgesetzt.

Die sachgemäße Interpretation der Rechnungslegungsvorschriften liegt somit in der Verantwortung des Bilanzierenden und des würdigenden Abschlussprüfers. Zu einer endgültigen und rechtsverbindlichen Entscheidung über die Angemessenheit dieser Interpretation kommt es jedoch nur in den seltensten Fällen und dann auch nur bezogen auf den spezifischen Sachverhalt. Darüber hinaus kann sich Ermessen und Auslegung über den Zeitverlauf verändern, ohne dass es zu einer erkennbaren Regeländerung für die KI kommt. Für die Frage nach der Anwendbarkeit von Machine Learning in der Abschlussprüfung bedeutet dies, dass sich der Regelkatalog immer wieder verändern kann und die Algorithmen immer wieder neu angelernt werden müssten.

Die Digitalisierung von Experten-Know-how

Die Verantwortung für das finale Urteil wird also in Zukunft ebenso wie heute bei der Wirtschaftsprüfungsgesellschaft und beim einzelnen Prüfer liegen. Der Abschlussprüfer unterzeichnet den Bestätigungsvermerk mit seinem Namen und steht damit persönlich für das eigene Urteil ein. Vertrauen in einem so hochsensiblen Bereich lässt sich nicht digitalisieren. Das bedeutet aber nicht, dass sich der Wirtschaftsprüfer nicht die Technologie zunutze machen sollte. Das Wissen und die Erfahrung von Wirtschaftsprüfern lässt sich nämlich schon digitalisieren, nur eben nicht die Verantwortung dieses auf den Bilanzierungssachverhalt anzuwenden. Der Erfolg von Machine Learning im Bereich Abschlussprüfung hängt damit davon ab, wie diese Know-how auf Standardprobleme anwenden kann und wie Wirtschaftsprüfer lernen mit KI und den immanenten Grenzen zusammenzuarbeiten.

Machine Learning befähigt Maschinen, aus Erfahrung zu lernen

Alle großen Prüfungsgesellschaften haben beispielsweise Fachabteilungen, die Fachwissen bereitstellen und bei denen sich Prüfungsteams bei komplexen Fragestellungen rückversichern können. Durch Machine Learning haben wir nun eine Technologie, bei der Maschinen aus Erfahrung lernen können. Eine Digitalisierung von Wissen in diesem Bereich kann entsprechend als Lernprozess in mehreren Stufen erfolgen. Zunächst unterstützt eine auf Machine Learning basierende KI eine Person in der Fachabteilung, indem sie beispielsweise automatisch der Anfrage entsprechende Literaturstellen und vergleichbare Anwendungsfälle recherchiert. Die Mitarbeiter können der KI das Feedback geben, ob die Recherche richtig war oder ob es weitere relevante Stellen gibt.

In einem zweiten Schritt könnte eine KI bereits konkrete Lösungen vorschlagen, die in der Fachabteilung verifiziert werden, bevor diese an das Prüfungsteam weitergegeben werden. In einem dritten Schritt agiert die KI dann direkt mit den Prüfungsteams. Die Fachabteilung übernimmt nun mehr die Aufgabe, die KI wie dargestellt auf dem neuesten Stand zu halten. Nur bei Fragen, die noch in Diskussion sind oder wo die KI nicht sicher ist, wird der Fall an einen Menschen weitergeleitet. Hier hört die KI dann wieder mit und lernt weiter. Andere Anwendungsbeispiele, die nach einem vergleichbaren Muster verlaufen, sind bei der Auswertung von Verträgen denkbar. Schon heute können Verträge maschinell ausgewertet werden und einfache Bilanzierungsentscheidungen werden den Beratern von KPMG von einer KI wie IBMs Watson vorgeschlagen.

Maschinen werden zu Artificial Co-Workern

In der konkreten Anwendung bedeutet das, dass sich Wirtschaftsprüfer in Zukunft Artificial Co-Workern als Unterstützung holen können. Über intelligente Chatbots lässt sich Machine Learning in den Prüfalltag einbinden. Neben den menschlichen Kollegen tauchen bei Skype oder Slack die Artificial Co-Worker auf, denen schriftlich oder auch mündlich Fragen gestellt werden können. Sind diese einmal trainiert, könnten diese automatisch Gesetzesstellen, Kommentarmeinungen, Fachartikel oder passende Referenzfälle recherchieren und vorschlagen. Auf diese Weise nutzt Machine Learning dem Menschen, um Entscheidungsprozesse zu beschleunigen und zu erleichtern sowie dazu, die Entscheidungsqualität zu erhöhen. Auch hier ist die Rolle des Menschen aber nicht einfach ersetzbar. Vielmehr ist er dafür zuständig, das richtige Tool auszuwählen und die richtige Frage an die Maschine zu stellen.

Bereits diese Unterstützung des Menschen würde zu einer deutlichen Qualitätsverbesserung führen, da das Wissen skalierbar und ohne Grenzkosten verfügbar wäre und die Wahrscheinlichkeit erhöht wird, dass relevante Sachverhalte erkannt werden. Zudem kann so gewährleistet werden, dass das gesamte fachliche Wissen einer Prüfgesellschaft jedem Mitarbeiter zu jeder Zeit leicht zugänglich ist. Gleichzeitig entstehen aber auch neue Cyber-Risiken, wie beispielsweise der mögliche Verlust von geschütztem Wissen durch Cyber-Attacken oder Reputationsrisiken durch ungewollte Veröffentlichungen von Insider-Wissen.

Status-quo: Machine Learning in der Abschlussprüfung heute

Machine Learning ist längst in der Abschlussprüfung angekommen. Tools, die beispielsweise selbstlernend Verträge auswerten wie IBMs Watson oder der intelligente Chatbot CLARA werden bereits aktiv genutzt. Allerdings gibt es bislang noch keine bekannten Tools, die Machine Learning in dem hier ausgeführten Umfang einsetzen. Der nächste, notwendige Schritt für Wirtschaftsprüfungsgesellschaften muss darum die Digitalisierung ihres Know-hows sein. Dies ist die Grundvoraussetzung, um die Anschlussfähigkeit für Machine Learning her- und sicherzustellen. Insbesondere angesichts des War for Talents sind Maßnahmen wie diese ein zunehmend wichtiger Erfolgsfaktor.

Und wenn es doch anders kommt…

Der beschriebene „standard overload“, in dem jeder Einzelsachverhalt abschließend geregelt wird, führt für den Menschen zu einer unübersichtlich und letzten Endes nicht mehr nachvollziehbaren Vorgabe. Für eine Maschine wäre diese Situation aber beherrschbar. Warum also nicht vollständig auf die Maschine umstellen? Diese Entwicklung würde einer echten kulturelle Revolution in der Rechnungslegung und dann auch der Abschlussprüfung gleichkommen. Die im Abschluss anzuwendenden Standards würden in Zukunft nicht mehr von Menschen aufgestellt, sondern zwischen intelligenten Maschinen vereinbart. Eine bilanzierende KI hätte kein Problem, anhand von bestimmten Kriterien die jeweils richtige Vorgabe zu identifizieren und auf den jeweiligen Sachverhalt anzuwenden. Wenn es einen neuen Fall gibt, könnte eine standardsetzende KI diesen in Sekundenbruchteilen entscheiden und wieder einheitlich vorgeben. In dieser Welt gäbe es keine Ermessensspielräume mehr und alle Abschlüsse wären vollständig miteinander vergleichbar.

Aus heutiger Sicht erscheint eine solche vollständige Übertragung auf die Maschine unvorstellbar. Vor allem müsste eine Umstellung zeitgleich für alle bilanzierenden Unternehmen erfolgen. Ob es hierzu jemals kommen wird ist unklar. Solange sollte Machine Learning in der Abschlussprüfung aber genutzt werden um die Qualität zu erhöhen, indem diese insbesondere bei aufwendige Analysen und Recherchen unterstützt und einfache Tätigkeiten übernimmt.