Wie die KI aus jeder Analyse lernt

Das Problem: Jeder Jahresabschluss ist anders

Wenn eine KI einen Jahresabschluss analysiert, muss sie jede Zeile im PDF einer standardisierten Position zuordnen. “Löhne und Gehälter” ist eindeutig. Aber “Anfangskapital” bei einem Einzelunternehmen? Das klingt nach Kapitaleinlage — ist aber der Eigenkapital-Vortrag aus dem Vorjahr. Eine falsche Zuordnung hier zieht sich durch die gesamte Analyse: falsche Eigenkapitalquote, falsche Bilanzsumme, falsche Bewertung.

Das Kernproblem: Ein einzelner KI-Aufruf hat kein Gedächtnis. Er kennt nicht die Korrektur, die ein Analyst letzte Woche bei einem ähnlichen Fall vorgenommen hat. Er weiß nicht, dass Personengesellschaften eine Kapitalentwicklungsrechnung statt einer Standard-Eigenkapitalgliederung haben. Jede Analyse startet bei Null.

Die Lösung: 5 Schichten, die zusammenarbeiten

Wir haben die Positionszuordnung in fünf aufeinander aufbauende Schichten umgebaut. Jede Schicht fängt Fehler ab, die die vorherige durchgelassen hat.

Schicht 1: Smarte Prompts

Die KI bekommt keinen generischen Auftrag. Stattdessen muss sie zunächst die Rechtsform identifizieren, die Eigenkapitalstruktur klassifizieren, das Zahlenformat prüfen und erst dann die Zuordnung vornehmen. Bei Personengesellschaften bekommt sie zusätzlich eine vollständige Ableitungskette für das Eigenkapital — mit konkreten Rechenbeispielen.

Schicht 2: Adaptive Routing

Nicht jeder Jahresabschluss braucht den gleichen Aufwand. Eine Standard-GmbH hat eine klare HGB-Gliederung — die geht auf den schnellen Pfad. Ein Einzelunternehmen mit Kapitalentwicklungsrechnung, negativem Eigenkapital und Anlagenspiegel landet automatisch auf dem erweiterten Pfad mit zusätzlichen Prüfschritten.

Die Routing-Entscheidung trifft die Pipeline automatisch nach der Extraktion, basierend auf Rechtsform und Komplexitätssignalen im Dokument.

Schicht 3: Verifikation und gezielte Korrektur

Nach der Positionszuordnung prüfen deterministische Checks, ob das Ergebnis plausibel ist. Stimmt die Bilanzsumme? Ist das Eigenkapital korrekt abgeleitet? Sind alle erforderlichen Positionen vorhanden?

Wenn nicht, bekommt die KI kein generisches “Bilanz stimmt nicht”, sondern einen konkreten Korrekturhinweis: “Position 12011 sollte −102.047 sein, nicht −4.304. Grund: 12011 ist der Endstand aus Anfangskapital + Einlagen − Entnahmen.” Mit diesem gezielten Feedback korrigiert die KI den spezifischen Fehler — statt alles neu zu machen.

Schicht 4: Memory — das Langzeitgedächtnis

Jede Korrektur wird in einer Datenbank gespeichert: welche Position falsch zugeordnet wurde, was der korrekte Wert war, bei welcher Rechtsform und Branche der Fehler auftrat, und welches Muster dahintersteckt.

Bei der nächsten Analyse einer ähnlichen Firma fließen diese Korrekturen als Kontext in den Prompt ein. Die KI sieht dann: “Bei Einzelunternehmen wurde Position 12011 in der Vergangenheit 5 Mal falsch zugeordnet — hier ist, wie es richtig geht.” Das ist kein Nachtraining des Modells. Es ist kontextbasiertes Lernen über Praxisbeispiele aus echten Korrekturen.

Schicht 5: Deterministische Sicherheitsnetze

Als letzte Instanz greifen rechnerische Korrekturen. Wenn die KI trotz allem das Eigenkapital falsch ableitet, berechnet die Pipeline den korrekten Wert aus den Rohdaten. Diese Korrekturen funktionieren immer — sie sind rein mathematisch, nicht KI-basiert.

Was das in der Praxis bringt

Vor diesen Änderungen lag die korrekte Eigenkapitalzuordnung bei Personengesellschaften im ersten Durchlauf oft eine Herausforderung. Mit dem 5-Schichten-System korrigiert sich die Pipeline in den allermeisten Fällen selbst — und wird mit jeder Analyse besser.

Für die Bank bedeutet das: weniger manuelle Nacharbeit bei komplexen Fällen, zuverlässigere Erstbewertungen und ein System, das von der Nutzung profitiert statt stehen zu bleiben.

Drei Arten von Memory

Die Korrekturdatenbank unterscheidet drei Kontextebenen:

Rechtsform-spezifisch. Was bei Einzelunternehmen regelmäßig falsch zugeordnet wird, wird bei der nächsten Einzelunternehmen-Analyse vermieden — unabhängig von Branche oder Bank.

Branchen-spezifisch. Landwirtschaftliche Betriebe haben andere GuV-Strukturen als Handwerksbetriebe. Korrekturen für WZ-Code 01 (Landwirtschaft) helfen bei der nächsten Landwirtschaftsanalyse.

Bank-spezifisch. Jede Bank hat eigene Kompensationsregeln und Bewertungsstandards. Korrekturen, die aus den Regeln einer bestimmten Bank resultieren, werden als bankspezifischer Kontext gespeichert.

Langfristig entsteht so ein Wissenskorpus, der die Analysequalität kontinuierlich verbessert — ohne dass ein Modell neu trainiert werden muss.

Interesse an einer Demo? Schreib uns: hello@finlyt.de