Eine Prüfung ist Nachweiserhebung im großen Maßstab: eine Stichprobe aus der Grundgesamtheit ziehen, die Belege hinter jedem Element zusammentragen, diese Zahlen zurück auf das Hauptbuch abgleichen und dann ein Arbeitspapier erstellen, das ein Reviewer abzeichnen kann. Die KI übernimmt das Zusammentragen, die Extraktion und das Tie-out, und sie entwirft das Arbeitspapier. Sie entscheidet nicht, ob das Element bestanden hat. Dieses Urteil bleibt beim Prüfer, und der Prüfpfad muss zeigen, warum.
Der größte Teil der Arbeitszeit eines Prüfers geht in den Abschnitt, bevor überhaupt ein Urteil ansteht. Jemand fordert beim Mandanten einen Beleg an, wartet, erhält ein PDF, das nicht der Namenskonvention entspricht, extrahiert daraus drei Zahlen, tippt sie in eine Tabelle neben den Hauptbuchsaldo und prüft, ob die Differenz erklärbar ist. Das Ganze vierzigmal pro Kontrolle. Das Denken geht schnell, sobald der Nachweis vor einem liegt. Ihn vor einen zu bekommen, ist der teure Teil – und genau dort verdient sich die Automatisierung ihren Platz.
Stichprobenauswahl muss reproduzierbar sein, bevor sie clever sein darf
Die erste Versuchung ist, ein Modell auf die Grundgesamtheit anzusetzen und es die „riskanten” Elemente auswählen zu lassen. Widerstehen Sie ihr ein Stück weit. Eine Prüfungsstichprobe muss der Frage eines Reviewers standhalten, warum diese Rechnung und nicht jene, und „das Modell hat sie höher bewertet” ist keine Antwort, die Sie allein in ein Arbeitspapier schreiben können.
Was funktioniert, ist eine dokumentierte Auswahlmethode, die das Modell speist, statt sie zu ersetzen. Gewichten Sie die Grundgesamtheit nach Risiko anhand von Merkmalen, die Sie benennen können: neue Lieferanten, Betrag im Verhältnis zur Kontenhistorie, manuelle versus systemgebuchte Journale, Änderungen nach Periodenabschluss, runde Beträge, Aktivität in den letzten Tagen vor Quartalsende. Ziehen Sie die Stichprobe dann mit einer Methode, die Sie verteidigen können.
- Fixieren Sie den Random Seed, sodass dieselbe Grundgesamtheit und dieselben Parameter immer dieselbe Stichprobe erzeugen. Eine Stichprobe, die niemand reproduzieren kann, ist kein Nachweis.
- Behalten Sie Monetary-Unit- oder Attribut-Stichproben dort bei, wo der Standard sie verlangt, und lassen Sie den Risiko-Score die Schichtung bestimmen, nicht die Auswahl selbst.
- Erfassen Sie die Grundgesamtheit zu einem Stichtag. Wenn sich das Hauptbuch noch bewegt, machen Sie einen Snapshot, hashen Sie ihn und ziehen Sie die Stichprobe aus dem Hash. Aus einer laufenden Tabelle zu ziehen bedeutet, dass Ihr Nachweis eine Grundgesamtheit beschreibt, die es nicht mehr gibt.
Die Stichtags-Disziplin ist dieselbe, die auch Feature-Pipelines beißt. Wenn Sie die Auswahl eine Woche später gegen eine Tabelle laufen lassen, die inzwischen nachträgliche Anpassungen aufgenommen hat, erhalten Sie eine andere Stichprobe – und einen Reviewer, der Ihr Arbeitspapier mit nichts mehr in Übereinstimmung bringen kann. Frieren Sie die Grundgesamtheit ein, dann ziehen Sie die Stichprobe.
Nachweiserhebung und Extraktion leisten die Schwerarbeit
Sobald ein Element ausgewählt ist, fordert das System seine Belege an und trägt sie zusammen: die Rechnung, den Vertrag, die Bankbestätigung, den Wareneingangsbeleg, die Freigabe-Mail. Das ist dasselbe Extraktionsproblem, das überall in Finance Operations auftaucht, und es scheitert auf dieselbe Weise. Eine Summe um eine Ziffer verlesen, ein Datum im falschen Format, ein Kontrahentenname, den drei Dokumente auf drei Arten schreiben.
Zwei Dinge halten es ehrlich. Erstens: extrahieren Sie mit feldbezogener Konfidenz und behandeln Sie einen Betrag mit niedriger Konfidenz als ungeklärt, statt ihm stillschweigend zu vertrauen. Eine falsche Zahl, die wie eine richtige aussieht, ist der Fehler, der Sie ein eingeschränktes Testat kostet. Zweitens: lösen Sie Entitäten gegen eine kanonische Tabelle auf. „Acme Corp”, „ACME CORPORATION” und „Acme Ltd” müssen zu einem Kontrahenten werden, bevor Sie eine Bestätigung mit einer Rechnung und einer Hauptbuchzeile verknüpfen können – denn der Join Key ist ein Name, den niemand standardisiert hat.
Jeder extrahierte Wert trägt eine Referenz zurück auf seine Quelle: das Dokument, die Seite, die Koordinaten auf dieser Seite. Diese Referenz macht das spätere Arbeitspapier überprüfbar. Wenn ein Reviewer im Arbeitspapier auf den Saldo klickt, sollte sich genau die Stelle auf genau dem PDF öffnen, aus dem die Zahl stammt. Hier ist die Herkunft das eigentliche Ergebnis. Eine Zahl, die ein Reviewer nicht zurückverfolgen kann, ist eine Zahl, auf die er sich nicht verlassen kann.
Beim Tie-out und beim Arbeitspapier wird Vertrauen gewonnen oder verspielt
Ein Tie-out vergleicht zwei unabhängige Quellen und erfasst die Differenz. Rechnung gegen Hauptbuch, Bestätigung gegen Buchsaldo, Vertragswert gegen den Abschreibungsplan. Das zu automatisieren ist schlichte Arithmetik, sobald Extraktion und Entitätsauflösung solide sind. Vertrauenswürdig wird es durch das, was Sie mit der Restdifferenz tun.
- Alles unterhalb der Wesentlichkeitsgrenze stimmt überein und wird automatisch geschlossen, wobei die beiden Quellen und die Differenz protokolliert werden.
- Alles darüber bleibt eine offene Ausnahme und geht an einen Menschen, gerankt nach Größe und nach dem Risiko-Score, der das Element gezogen hat.
- Ein Tie-out, das seinen Join Key nicht auflösen konnte, gilt nie als bestanden. Nicht zugeordnet ist eine Ausnahme, kein stiller Erfolg.
Setzen Sie ein Budget für Falsch-Positive genauso, wie Sie es für die Alert-Triage tun würden. Ist die Toleranz zu eng, wird jede Rundungsdifferenz zur Ausnahme und der Prüfer geht unter. Ist sie zu locker, rutschen echte Falschdarstellungen durch. Kalibrieren Sie gegen eine Reihe von Vorjahres-Arbeitspapieren, deren Ergebnis Sie bereits kennen, und justieren Sie, bis die Flag-Rate zu dem passt, was das Team tatsächlich prüfen kann.
Dann die Erstellung. Das Modell entwirft das Arbeitspapier: die Kontrollbeschreibung, die Stichprobengrundlage, die Tie-out-Ergebnisse, die Ausnahmen und ihre Behandlung. Die Regel, die es sicher hält, ist simpel. Der Entwurf darf keine Zahl nennen, die nicht durch einen extrahierten Wert mit Quellverweis belegt ist. Zahlen stammen aus der Nachweisebene, niemals aus der eigenen Prosa des Modells. Ein Satz, der einen Saldo ohne Verweis auf seinen Ursprung trägt, fällt bei der Validierung durch, bevor ein Reviewer die Datei öffnet.
Was am Ende herauskommt, ist keine Straight-through Processing, und das soll es auch nicht sein. Der Reviewer bildet weiterhin das Urteil. Aber er öffnet ein Arbeitspapier, in dem die Stichprobe reproduzierbar ist, jede Zahl auf ihr Quelldokument verweist, die Tie-outs erledigt sind und in seiner Warteschlange nur noch die Ausnahmen liegen, die einen Menschen brauchen. Die Maschine hat das Zusammentragen erledigt. Das Urteil – und die Verantwortung dafür – blieb dort, wo es hingehört.
Häufige Fragen
Kann KI die Prüfungsstichprobe auswählen, oder gefährdet das die Unabhängigkeit des Prüfers?
Ein Modell kann die Grundgesamtheit nach Risiko ranken, aber die Auswahlmethode muss trotzdem eine sein, die Sie gegenüber einem Reviewer oder einer Aufsichtsbehörde verteidigen können. Wir nutzen eine dokumentierte statistische oder risikogewichtete Auswahl mit festem Random Seed, sodass die Stichprobe reproduzierbar ist und der Grund für jedes gezogene Element festgehalten wird – statt ihn im Nachhinein zu rekonstruieren.
Wie verhindern Sie, dass ein automatisiertes Tie-out unbemerkt die falschen Zahlen abgleicht?
Jedes Tie-out erfasst seine beiden Quellen, die angewandte Transformation und die verbleibende Differenz, und alles oberhalb einer Wesentlichkeitsgrenze bleibt als Ausnahme offen. Ein Abgleich wird nur akzeptiert, wenn der Join Key eindeutig auf eine Entität aufgelöst wurde und die Konfidenz beider extrahierter Werte die Schwelle überschritten hat – andernfalls geht der Fall an einen Menschen.
Was hindert das Modell daran, in einem Arbeitspapier eine Fundstelle zu erfinden?
Der Erstellungsschritt darf keine Zahl nennen, die nicht durch einen extrahierten Wert mit Seiten- und Koordinatenreferenz belegt ist. Zahlen stammen aus der Nachweisebene, nicht aus dem eigenen Text des Modells. Ein Satz ohne Quellverweis fällt schon bei der Validierung durch, bevor ein Reviewer ihn je zu sehen bekommt.