Der Weg zur funktionalen KI

KI wird zunehmend im großen Maßstab eingesetzt. Für international tätige Unternehmen verschärfen sich dabei drei Spannungsfelder gleichzeitig:

• die regulatorische Fragmentierung zwischen EU, USA und Asien,
• die operative Abhängigkeit von wenigen dominanten Cloud- und Modellanbietern sowie
• die institutionell ungeklärte Frage der Verantwortung beim Einsatz autonomer Systeme.

Hinzu kommt ein noch unterschätztes strukturelles Risiko: die schleichende Erosion digitaler Souveränität. Wer sensible Geschäftsdaten in externe KI-Modelle einspeist, ohne zumindest vertragliche Garantien zur Nichtnutzung für Trainingszwecke gesichert zu haben, riskiert strategischen Kontrollverlust über eigenes Wissen und eigene Prozesse.

Drei Handlungsansätze

1. Daten zu Wissen transformieren

Empirisch zeigen sich klare Muster: KI-Anwendungen mit dem höchsten Reifegrad und dem geringsten Risikoprofil finden sich in der Automatisierung repetitiver Wissensarbeit, in der Unterstützung komplexer Compliance-Prüfungen sowie in der prädiktiven Analyse strukturierter Datensätze. Vollautonome Entscheidungsprozesse in regulierten Geschäftsbereichen – also ohne den Menschen als letzte Instanz – gelten dagegen nach aktuellem Stand des EU AI Acts als Hochrisiko-Anwendung und erfordern entsprechende Konformitätsprüfungen.

In Unternehmen schlummern unerkannte Schätze: Daten. Die KI-Strategie jedes Unternehmens muss deshalb festlegen, wie diese Daten im Unternehmen gesammelt, aufbereitet und KI-freundlich bereitgestellt werden. Entscheidungsprozesse können dadurch algorithmisiert und Wettbewerbsvorteile gesichert werden. Entscheidend dabei ist, die menschliche Letztverantwortung systemisch zu verankern. So wird KI zum smarten Enabler mit dem Menschen im Driver Seat.

2. Governance und datensouveräne KI-Systeme

Unternehmen, die den KI-Einsatz systematisch dokumentieren und transparent kommunizieren – gegenüber Aufsichtsbehörden, Geschäftspartnern und Mitarbeitenden – bauen institutionelles Vertrauenskapital auf, das Wettbewerber ohne entsprechende Governance-Reife nicht kompensieren können. Das ist keine reine Compliance-Übung, sondern eine Differenzierungsstrategie mit direktem Einfluss auf Rating-Ergebnisse, Versicherbarkeit und die Qualität internationaler Partnerschaften.

Wir bei RÖDL setzen bewusst ein Zeichen für datensouveräne KI: Dafür haben wir eine eigene KI-Infrastruktur aufgebaut, auf der wir Open-Source-Sprachmodelle auf eigenen Grafikchips in unseren eigenen Rechenzentren betreiben und so eine rechtssichere Datenverarbeitung gewährleisten. Unsere eigene KI-Infrastruktur bietet uns maximale Souveränität bei der Anwendung von KI und kann auch unseren Mandanten angeboten werden – damit bleibt die maximale Datensouveränität über sensible Geschäftsdaten jederzeit erhalten.

3. Geeignete LLMs wählen und Knowledge Graphen definieren

Wollen Unternehmen kognitive Aufgaben mithilfe von großen Sprachmodellen (LLMs) automatisieren, stehen sie vor einem Auswahlproblem: Welches LLM löst die konkrete kognitive Aufgabe am besten? Die Qualität von LLMs lässt sich mit Benchmarks messen – etwa in den Bereichen Sprachverständnis, logisches Denken, mathematische Fähigkeiten, Allgemeinwissen und fachspezifisches Know-how (z. B. Medizin, Chemie).

RÖDL hat beispielsweise einen praxisnahen LLM-Benchmark für steuerliche Aufgaben und Use-Cases für die Wirtschaftsprüfung entwickelt, die sich auch in Lösungen für andere Unternehmen transformieren lassen. Dabei werden Aufgaben adressiert, die typischerweise im Arbeitsalltag von deutschen Steuerberatungen und Steuerabteilungen oder Finanzabteilungen anfallen sowie potenziell mithilfe von KI automatisiert werden können. Mit diesem Benchmark kann das LLM identifiziert werden, das sich für den jeweiligen Aufgabentyp am besten eignet.

Neben der Auswahl des LLMs ist die Entwicklung des gesamten KI-Systems entscheidend. Bei RÖDL kommen stets sog. Expertensysteme zum Einsatz, die detailliert auf Basis unseres spezifischen Wissens entwickelt und im Hintergrund entsprechend durch hinterlegte Formalismen angeleitet werden. Zentral bleibt bei unseren Expertensystemen stets das Zusammenspiel zwischen Mensch und KI-System. Eine besondere Bedeutung bei der Entwicklung von RÖDL internen Expertensystemen kommt dabei der Modellierung unseres Wissens zu. Dabei bilden klare und strukturierte Knowledge Graphen basierend auf Daten, Kontext und Ontologien, in Bezug auf die Herangehensweise zur Bearbeitung einer Aufgabe den essenziellen Baustein. Sie dienen als Grundlage für die Integration, Verknüpfung und Abfrage heterogener Datenquellen und ermöglichen dadurch eine kontextbewusste, erklärbare und konsistente Wissensnutzung in generativen KI-Systemen. Im Gegensatz zu rein statistischen Modellen bietet ein Knowledge Graph explizite Semantik, welche speziell durch unser menschliches Expertenwissen von unseren Kolleginnen und Kollegen vorab modelliert wird, um dem KI-System die relevanten Kontextinformationen bereitzustellen. Durch diese Vorgehensweise ist die Erzielung zuverlässiger und belastbarer Ergebnisse von KI-Systemen darstellbar und ein damit einhergehender wesentlicher Mehrwert umsetzbar.

KI ist kein Selbstzweck. Sie ist eine essenzielle Basistechnologie, die nur dann strategischen Wert entfaltet, wenn Unternehmen sie mit klaren Regeln, souveräner Datenkontrolle und institutioneller Verantwortung einsetzen. Wer jetzt die Grundlagen legt – durch geeignete Use Cases, robuste Governance und die richtigen Modelle für die richtigen Aufgaben – bleibt nicht nur regulatorisch handlungsfähig, sondern differenziert sich dauerhaft im internationalen Wettbewerb.

Zum Newsletter