Kann KI bei der Prüfung von Nachhaltigkeitsberichten unterstützen?
Software auf der Basis von Künstlicher Intelligenz kann die Arbeit bei der Prüfung von Jahresabschlüssen und der Nachhaltigkeitsberichterstattung effizienter gestalten. Das ist ein Ergebnis einer Bachelorarbeit des Autors an der Ostbayerischen Technischen Hochschule Regensburg (OTH Regensburg). In der Arbeit wird der Einsatz der Prüfsoftware von Deep Neuron Lab untersucht.
Der Einsatz von KI-basierter Software in der Nachhaltigkeitsprüfung zeigt großes Potential zur Effizienzsteigerung und Qualitätsverbesserung. Insbesondere durch Tools wie den Notes Auditor und die Nutzung von Natural Language Processing (NLP) können Prüfungsprozesse automatisiert werden. Dies ermöglicht eine deutliche Zeitersparnis und erhöht die Präzision bei der Prüfung von Dokumenten und Nachhaltigkeitsberichten. Trotz der Vorteile erfordert der Einsatz von KI eine sorgfältige Überwachung und Validierung durch menschliche Expert*innen, um die Qualität zu sichern. Eine große Zahl digitaler Tools und Services für den Einsatz in der Wirtschaftsprüfung bietet die Plattform SOLON X.
Steigende Anzahl berichtspflichtiger Unternehmen
Mit der im Januar 2023 in Kraft getretenen Corporate Sustainability Reporting Directive (CSRD) wird die Zahl berichtspflichtiger Unternehmen in Deutschland laut dem Rechnungslegungs Standards Committee (DRSC) von 500 auf etwa 15.000 steigen. Prüfer*innen werden daher ihre Prozesse überdenken müssen, um die Herausforderung durch die CSRD zu meistern.
KI-basierte Software in der Wirtschaftsprüfung
Wirtschaftsprüfungsgesellschaften nutzen immer mehr KI-basierte Software zur Prüfung. Beispiele dafür sind Clara von KPMG, Argus von Deloitte, ALI von PwC, CaseWareAI und Deep Neuron Lab mit der KI-Lösung Notes Auditor. In der Wirtschaftsprüfung unterstützt Künstliche Intelligenz vor allem bei repetitiven Schritten in der Prüfung.
Prüfung des Anhangs mithilfe von KI
Im Rahmen des Studiengangs Europäische Betriebswirtschaft an der OTH Regensburg untersuchte der Autor im Rahmen seiner Bachelorarbeit die Einsatzmöglichkeiten der KI-basierten Softwarelösung Notes Auditor von Deep Neuron Lab bei der Prüfung des Anhangs nach deutschem HGB. Der Schwerpunkt seiner Arbeit lag auf den im Programm enthaltenen Checklisten. Diese sollen die Vollständigkeit der Prüfungshandlungen und deren Dokumentation sicherstellen.
Sprache verstehen mit Natural Language Processing (NLP)
In der Benutzeroberfläche des Notes Auditor werden Checkliste und Dokument gegenübergestellt. Zur Automatisierung der Bearbeitung nutzt das Tool KI aus dem Bereich Natural-Language-Processing (NLP). Damit „verstehen“ Computerprogramme die gesprochene und geschriebene menschliche Sprache. Der Notes Auditor kann mit dieser Technologie Vorschläge für Antworten auf Fragen einer Checkliste machen. Diese Vorschläge sind mithilfe von Referenzen zur genauen Textstelle im Dokument nachvollziehbar und dokumentiert.
Abbildung: Screenshot der Benutzeroberfläche des Notes Auditors: KI-Vorschlag einer Antwort auf eine Frage der Checkliste (links) mit Referenz zur Textstelle (rechts)
Automatisierung und Effizienzsteigerung
Der Einsatz von Künstlicher Intelligenz KI in der Wirtschaftsprüfung kann repetitive wie manuelle Prozessschritte automatisieren und effizienter gestalten.
Die Wirtschaftsprüfungsgesellschaft Mazars nutzt den Notes Auditor bereits für die Beantwortung der Checklistenfragen zur Prüfung des Anhangs. In der ersten Prüfsaison konnten 34 % der Prüfungsfragen KI-unterstützt beantwortet werden. Im Folgejahr konnte sich das KI-Modell an der vorherigen Prüfung orientieren, und eine KI-Unterstützung von bis zu 80 % erreichen.
Anwendung auf die Prüfung von Nachhaltigkeitsberichten
KI und NLP werden bereits für die Prüfung des Anhangs mittels Checklisten genutzt. Dieser Anwendungsfall lässt sich auf die Prüfung von Nachhaltigkeitsberichten übertragen. Dafür muss ein KI-Modell mit Checklisten zur Prüfung von Nachhaltigkeitsberichten trainiert werden. Ähnlich wie bei der Prüfung des Anhangs analysiert die KI den Nachhaltigkeitsbericht und identifiziert die passenden Textstellen als Antworten auf Fragen der Checkliste. Prüfungsgesellschaften entwickeln bereits solche Checklisten, um Nachhaltigkeitsberichte CSRD-konform zu prüfen. Diese Checklisten umfassen mehr als tausend Fragen und verlangen eine Vielzahl von Informationen. Um in Zukunft Nachhaltigkeitsberichte effizient prüfen zu können, ist Deep Neuron Lab bereits eine Entwicklungspartnerschaft mit zwei der Next10 eingegangen. Dabei wird der Anwendungsfall des Notes Auditor für die Anhangprüfung auf die Prüfung von Nachhaltigkeitsberichten übertragen. An weiteren KI-Tools zur Analyse, wie z.B. Sustain.AI, wird ebenfalls gearbeitet. Hierbei kommen ebenfalls KI und automatisierte Spracherkennung (NLP) zum Einsatz, um die verschiedenen Nachhaltigkeitskriterien der GRI (Global Reporting Initiative) in einem Nachhaltigkeitsbericht auszulesen und zu präsentieren.
Grenzen der KI
KI-basierte Software kann an ihre Grenzen stoßen. Die Software kann nicht als Ersatz von Prüfer*innen gesehen werden, sondern als Unterstützung. Für den Einsatz von KI-Software ist daher der Human-in-the-Loop-Ansatz zu empfehlen. Dies bedeutet, dass die Ergebnisse der Künstlichen Intelligenz durch menschliche Interaktion validiert werden.
KI verändert die Arbeit in der Wirtschaftsprüfung
„Im Berufsstand gibt es aktuell zwei ganz große Themen“, so die Einschätzung des Betreuers der Arbeit, Professor Claus Koss: „Künstliche Intelligenz und die ESG-Berichterstattung“. Der auch als Wirtschaftsprüfer und Steuerberater qualifizierte Dozent an der OTH Regensburg stellt die Bachelorarbeit in einen größeren Zusammenhang „Die Künstliche Intelligenz wird die Arbeit im Berufsstand grundlegend verändern.“ KI werde die Eigenverantwortlichkeit oder die kritische und professionelle Beurteilung durch Berufsträger nicht ersetzen, sondern unterstützen. Die Bachelorarbeit zeige, dass die weit verbreiteten Excel-Checklisten durch effizientere Softwareanwendungen ersetzt werden können. Die in der Abschlussprüfung Verantwortlichen könnten sich dann auf die wirklich kritischen Prüffelder konzentrieren.
