KI in der Wirtschaftsprüfung: Revolution oder Risiko? Eine empirische Analyse am Beispiel von IFRS 16

Künstliche Intelligenz verändert rasant unsere Arbeitswelt – doch wie schlägt sie sich bei hochkomplexen, regelgebundenen Aufgaben der internationalen Rechnungslegung? Ein Absolvent der Allensbach Hochschule Konstanz, hat in seiner Bachelorthesis im Studiengang Betriebswirtschaftslehre und Management genau das untersucht. Seine empirische Analyse zeigt fundiert, wo die Potenziale von ChatGPT und Google Gemini liegen, warum Prompt Engineering den entscheidenden Unterschied macht und wo der Mensch nach wie vor unersetzlich bleibt.

Der Einzug von Large Language Models (LLMs) in den betrieblichen Alltag ist nicht mehr aufzuhalten. Laut aktuellen Erhebungen setzen bereits über 41 % der deutschen Unternehmen KI-gestützte Lösungen ein. Angesichts des anhaltenden Fachkräftemangels im Finanz- und Wirtschaftsprüfungswesen gilt die Technologie als großer Hoffnungsträger zur Effizienzsteigerung.

Doch Rechnungslegungsstandards wie der IFRS 16 (Leases) verzeihen keine Fehler. Der Standard regelt die Bilanzierung von Leasingverhältnissen und verlangt vom Leasingnehmer, nicht mehr nur einfache Mietaufwendungen zu buchen, sondern ein „Nutzungsrecht“ (Right-of-Use Asset) auf der Aktivseite sowie eine entsprechende Leasingverbindlichkeit auf der Passivseite anzusetzen. Das erfordert sowohl eine präzise rechtliche Subsumtion (Liegt überhaupt ein Leasingverhältnis vor?) als auch komplexe finanzmathematische Berechnungen über mehrere Perioden hinweg.

Kann eine allgemeine, frei zugängliche KI diese Aufgaben fehlerfrei meistern?

Das Studiendesign: 720 Testläufe auf dem Prüfstand

Um eine verlässliche Aussage über die Leistungsfähigkeit moderner Sprachmodelle zu treffen, hat der Studierende ein extrem robustes, empirisches Untersuchungsdesign entwickelt. Getestet wurden die Modelle ChatGPT (GPT-4o) und Google Gemini anhand von zwölf praxisnahen IFRS-16-Sachverhalten.

Um statistische Zufälle auszuschließen, wurde jeder Sachverhalt pro Modell zehnmal in völlig isolierten Chats abgefragt (Zero-State-Design). Das ergibt eine beeindruckende Gesamtzahl von 720 eigenständigen Testläufen.

Die Untersuchung erfolgte in drei sukzessiv aufeinander aufbauenden Prompt-Stufen, um den direkten Einfluss der Formulierung auf das Ergebnis zu messen:

1. Stufe 1 (Zero-Shot): Die KI bearbeitet die Sachverhalte völlig unvorbereitet ohne zusätzliche Hilfestellung.
2. Stufe 2 (In-Context-Learning): Der Prompt wird um den Volltext des IFRS 16 sowie ein ideales Bereitstellungsbeispiel (Few-Shot) ergänzt.
3. Stufe 3 (Expert-Prompting): Die KI wird gezielt in die Rolle eines Wirtschaftsprüfers versetzt und durch ein strukturiertes Prüfungsschema sowie schrittweise „Chain-of-Thought“-Anweisungen geführt.

Als kritischer Bewertungsmaßstab wurde in Anlehnung an die Prüfungspraxis eine quantitative Wesentlichkeitsgrenze von maximal 5 % Abweichung vom mathematisch korrekten Sollwert definiert.

Die Kernergebnisse: Licht und Schatten auf drei Stufen

Die Auswertung der 720 Testläufe liefert faszinierende und zugleich ernüchternde Erkenntnisse für die Praxis.

1. Die qualitative Erkennungsgenauigkeit (Liegt ein Leasingfall vor?)

Überraschenderweise zeigten beide Modelle bereits im unvorbereiteten Zustand (Stufe 1) eine hohe Grundgenauigkeit bei einfachen Standardsachverhalten. Google Gemini erreichte im Zero-Shot-Ansatz eine Fehlerrate von lediglich 2,50 %, während ChatGPT bei 8,33 % lag.

Das Problem: Sobald ein Sachverhalt sprachlich oder rechtlich anspruchsvoller wurde, versagten die Modelle kollektiv. Ein besonders auffälliger Fall betraf ein vertraglich vereinbartes Austauschrecht für einen Firmenwagen. Nach IFRS 16 liegt kein Leasingverhältnis vor, wenn dem Leasinggeber ein substanzielles Austauschrecht zusteht. Im Testfall lag das Recht jedoch beim Leasingnehmer. Beide Modelle ließen sich vom Signalwort „Austausch“ irreführen und klassifizierten den Fall fälschlicherweise als „Kein Leasing“. Mehr noch: Durch die bloße Fütterung mit dem IFRS-Volltext in Stufe 2 verschlechterte sich die Fehlerrate bei diesem Spezialfall sogar, da die KI die rechtliche Rollenverteilung ohne prozedurale Führung nicht korrekt zuordnen konnte.

2. Die quantitative Berechnungsgenauigkeit

Auf der mathematischen Ebene zeigt sich der enorme Wert von professionellem Prompt Engineering:

• Der aggregierte Gesamtfehler sank schrittweise von 16,40 % (Stufe 1) über 12,10 % (Stufe 2) auf 11,50 % (Stufe 3).
• Einfache Barwertermittlungen und Folgebewertungen (wie in Sachverhalt 1, 3 und 4) wurden in Stufe 3 von beiden Modellen mit einer Abweichung von exakt 0,00 % fehlerfrei und stabil gelöst.
• Komplexe Aufgaben, wie die mathematische Rekonstruktion eines impliziten Zinssatzes (Sachverhalt 8), bei denen die Modelle in Stufe 1 noch absurde mathematische Halluzinationen (wie negative Zinssätze) erzeugten, stabilisierten sich in Stufe 3 dank der strukturierten Führung vollständig.

Das Aber: Trotz aller Optimierungen lag die durchschnittlich größte Abweichung (das Worst-Case-Szenario) selbst in der höchsten Prompt-Stufe 3 immer noch bei 24,80 % und damit dramatisch über der Wesentlichkeitsgrenze von 5 %. Zudem neigte ChatGPT bei hoher Komplexität in Stufe 3 dazu, in fast jedem dritten Durchlauf (29 %) die mathematische Berechnung einfach komplett zu verweigern und stattdessen auf rein qualitative, schwammige Plausibilisierungen auszuweichen.

Das Zusatzexperiment: Der Schlüssel liegt im Detail

Dass allgemeine Sprachmodelle nicht blind als „Black Box“ genutzt werden dürfen, bewies der Studierende in einem abschließenden Zusatzexperiment zu dem hartnäckigen Fehler im Sachverhalt 6 (Firmenwagen/Austauschrecht). Er erweiterte das Expert-Template aus Stufe 3 gezielt um spezifische Hinweise aus der aktuellen Fachliteratur zur wirtschaftlichen Substanz von Austauschrechten.

Das Resultat war spektakulär: Die Fehleranzahl im direkten Vergleich reduzierte sich schlagartig von 13 Fehlern auf nur noch einen einzigen Fehler in 20 Durchläufen. Die Erfolgsquote sprang von 35 % auf 95 %. Dies zeigt eindrücklich: KI-Systeme profitieren massiv von einer präzisen, fachliteraturbasierten Kontextsteuerung.

Wirtschaftlichkeit und Datenschutz im Prüfungsalltag

Neben der fachlichen Qualität beleuchtet die Arbeit auch die ökonomische Komponente. Der Einsatz generativer KI im Finanzwesen ist ein zweischneidiges Schwert. Einerseits amortisieren sich die Kosten für datengeschützte Unternehmenslösungen (wie ChatGPT Business für ca. 50 USD/Monat) bereits bei einer monatlichen Zeitersparnis von knapp 3 Arbeitsstunden auf Mindestlohn-Basis. Da die Erstellung hochwertiger Prompt-Muster jedoch tiefes IFRS-Fachwissen erfordert, ist der initiale zeitliche Aufwand hoch – lohnt sich aber durch die mehrfache Wiederverwendbarkeit standardisierter Templates im Prüfungsalltag.

Dem gegenüber stehen erhebliche Haftungs- und Reputationsrisiken durch unentdeckte KI-Fehler oder Halluzinationen. Zudem verbietet das Berufs- und Datenschutzrecht die unkritische Eingabe sensibler, realer Mandantendaten in öffentlich zugängliche Systeme.

Fazit: Die KI als mächtiger Co-Pilot, nicht als Autopilot

Die Bachelorthesis untermauert eine zentrale These der modernen Wirtschaftsinformatik: Generative KI ist in der Abschlussprüfung nicht als Ersatz für menschliche Expertise zu verstehen, sondern als ein mächtiges, unterstützendes Werkzeug. Sie fungiert hervorragend als „Co-Pilot“, der komplexe Sachverhalte vorstrukturiert, mathematische Erstberechnungen vorbereitet und Auffälligkeiten in großen Textmengen rasch sichtbar macht.

Die Letztverantwortung, die kritische Würdigung von unvollständigen oder mehrdeutigen Verträgen sowie das abschließende Prüfungsurteil müssen jedoch zwingend in den Händen des qualifizierten Wirtschaftsprüfers verbleiben. Der „Automationsbias“ – das blinde Vertrauen in formschön generierte, aber inhaltlich falsche KI-Ausgaben – stellt derzeit das größte Risiko dar.

Wir gratulieren dem Studierenden zu dieser herausragenden, praxisrelevanten Forschungsarbeit, die eindrucksvoll zeigt, wie an der Allensbach Hochschule topaktuelle technologische Trends mit fundierter Wirtschaftsexpertsise verknüpft werden!