Die K\u00fcnstliche Intelligenz (KI)<\/strong> ver\u00e4ndert die Unternehmenslandschaft in rasantem Tempo. Insbesondere generative KI<\/strong> etabliert sich zunehmend als Schl\u00fcsseltechnologie und treibende Kraft f\u00fcr Wettbewerbsvorteile<\/strong> in verschiedenen Arbeitsbereichen. Auch in der Wirtschaftspr\u00fcfung<\/strong> hat generative KI das Potenzial, die Qualit\u00e4t von Finanzabschlusspr\u00fcfungen erheblich zu verbessern. Doch wie genau kann diese vielseitige General-Purpose-Technologie, die Texte, Bilder, Videos und Quellcodes verarbeiten und generieren kann, in der Praxis eingesetzt werden? Dieser Beitrag beleuchtet zwei zentrale Ans\u00e4tze: den KI-basierten Copiloten<\/strong> und agentenbasierte Workflows<\/strong>.<\/p>\n\n\n\n Moderne KI-Systeme, insbesondere generative KI, basieren \u00fcberwiegend auf Deep-Learning-Methoden<\/strong>. Ein Fundament f\u00fcr generative KI bilden dabei sogenannte Foundation Models<\/strong>. Diese Modelle sind in der Lage, eine Vielzahl komplexer Aufgaben \u00fcber verschiedene Disziplinen hinweg mit oft minimalem Trainingsaufwand zu bew\u00e4ltigen. Ein bekanntes Beispiel hierf\u00fcr sind gro\u00dfe Sprachmodelle (Large Language Models, LLMs)<\/strong> wie GPT-4.<\/p>\n\n\n\n Die Funktionalit\u00e4t dieser Foundation Models wird in zwei zentralen Phasen erreicht:<\/p>\n\n\n\n F\u00fcr die Anpassung und den Einsatz generativer KI im unternehmerischen Kontext haben sich zwei zentrale Ans\u00e4tze etabliert, die unterschiedliche Komplexit\u00e4tsanforderungen bedienen:<\/p>\n\n\n\n Beide Ans\u00e4tze wurden bereits in der wissenschaftlichen Fachliteratur eindrucksvoll demonstriert und sind von hoher praktischer Relevanz f\u00fcr den Berufsstand der Wirtschaftspr\u00fcfer.<\/p>\n\n\n\n Anwendungen des KI-Copiloten in der Jahresabschlusspr\u00fcfung und IT-Pr\u00fcfung:<\/strong><\/p>\n\n\n\n Anwendungen von Agenten in der Jahresabschlusspr\u00fcfung:<\/strong><\/p>\n\n\n\n Trotz der vielversprechenden Potenziale stehen Wirtschaftspr\u00fcfungsgesellschaften noch vor Herausforderungen f\u00fcr den fl\u00e4chendeckenden Einsatz generativer KI. Eine wesentliche H\u00fcrde ist der Schutz mandatsspezifischer Daten<\/strong>, der als h\u00f6chstes Gut und Grundlage des Vertrauens gilt. Daher d\u00fcrfen Wirtschaftspr\u00fcfer nur generative KI-Modelle verwenden, die Rechtssicherheit in Bezug auf die DSGVO und die berufsrechtliche Verschwiegenheitspflicht<\/strong> gew\u00e4hrleisten. Dies sind oft lokal ausf\u00fchrbare Modelle mit zug\u00e4nglichem Quellcode oder tenant-spezifische Cloud-Umgebungen.<\/p>\n\n\n\n Eine weitere Herausforderung ist die mangelnde Nachvollziehbarkeit von Entscheidungen<\/strong> aufgrund komplexer Modellarchitekturen, was die Fehlererkennung erschwert und die Verantwortlichkeiten f\u00fcr den Output einer generativen KI in Frage stellt. Daher bleibt der Grundsatz der Eigenverantwortlichkeit des Wirtschaftspr\u00fcfers<\/strong> unerl\u00e4sslich.<\/p>\n\n\n\n Die hohe Qualit\u00e4t der generierten Inhalte bietet eine solide Grundlage f\u00fcr fundierte Interpretationen durch den menschlichen Abschlusspr\u00fcfer. Durch gezielte Feinabstimmung und kontinuierliche Optimierung k\u00f6nnen potenzielle Ungenauigkeiten und Fehler weitgehend eliminiert werden, was Zuverl\u00e4ssigkeit und Genauigkeit signifikant steigert. Dennoch bleibt das Fachwissen und die Erfahrung eines Wirtschaftspr\u00fcfers auch in Zukunft unerl\u00e4sslich<\/strong>, insbesondere beim Review und der kritischen W\u00fcrdigung des Outputs.<\/p>\n\n\n\n Zusammenfassend l\u00e4sst sich festhalten, dass generative KI bereits heute bedeutende Unterst\u00fctzung f\u00fcr den Wirtschaftspr\u00fcfer erm\u00f6glichen kann und durch den agentenbasierten Workflow v\u00f6llig neue Dimensionen der Bearbeitung von Aufgaben realisiert werden k\u00f6nnen.<\/p>\n\n\n\n Die K\u00fcnstliche Intelligenz (KI) ver\u00e4ndert die Unternehmenslandschaft in rasantem Tempo. Insbesondere generative KI etabliert sich…<\/p>\n","protected":false},"author":1,"featured_media":870,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3,4],"tags":[],"class_list":["post-868","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-it","category-it-audit"],"_links":{"self":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts\/868","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/comments?post=868"}],"version-history":[{"count":1,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts\/868\/revisions"}],"predecessor-version":[{"id":871,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts\/868\/revisions\/871"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/media\/870"}],"wp:attachment":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/media?parent=868"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/categories?post=868"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/tags?post=868"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Grundlagen der Generativen KI<\/h3>\n\n\n\n
\n
Copilot vs. Agent: Zwei Ans\u00e4tze f\u00fcr die Pr\u00fcfungspraxis<\/h3>\n\n\n\n
\n
\n
\n
Anwendungsf\u00e4lle im pr\u00fcferischen Kontext<\/h3>\n\n\n\n
\n
\n
\n
Herausforderungen und Ausblick<\/h3>\n\n\n\n
\n","protected":false},"excerpt":{"rendered":"