Arabic-First Finance AI: Jais, Falcon und ALLAM mit einer Zahlenebene kombinieren, die nicht halluziniert

Vor drei Jahren war es eine schlechte Idee, ein Chat-Modell mit der Analyse eines arabischen Abschlusses zu beauftragen. Das Modell verstümmelte den Dialekt, verlor die von rechts nach links aufgebaute Tabellenstruktur und behandelte Arabisch als bloßen Übersetzungsumweg. Dieser Einwand ist heute weitgehend hinfällig. Arabic-First-Modelle (Jais aus den VAE, Falcon vom Technology Innovation Institute in Abu Dhabi, ALLAM von der saudischen SDAIA) wurden mit Arabisch als Primärsprache trainiert. Um eine Vorstandsvorlage zu lesen oder ein Rundschreiben einer Aufsichtsbehörde auf Arabisch zusammenzufassen, sind sie gut geeignet.

Was sich jedoch nicht geändert hat: Ein besseres Arabisch-Modell rechnet deshalb nicht besser. Das sind zwei voneinander unabhängige Fähigkeiten, und wer sie vermischt, bringt CFOs in Schwierigkeiten.

Was die Arabic-First-Modelle tatsächlich gelöst haben

Der Fortschritt ist real und verdient eine präzise Benennung. Diese Modelle beherrschen modernes Hocharabisch sowie mehrere Dialekte, folgen arabischer Finanzprosa und erzeugen flüssige arabische Texte. Wenn Ihr Problem im Verständnis liegt (was besagt diese arabische Offenlegung, worum geht es in dieser Anmerkung des Prüfers), dann ist ein arabisch-zentriertes LLM heute ein vernünftiges Werkzeug.

Der Fehler besteht in der Annahme, dass sich dieses Verständnis auf die Berechnung erstreckt. Das tut es nicht, und die Gründe hängen unmittelbar damit zusammen, wie Finanzinformationen auf Arabisch dargestellt werden.

Die Fallstricke, die selbst ein hervorragendes Sprachmodell nicht beseitigt

Vermischte ostarabische und westliche Ziffern

GCC-Dokumente vermischen regelmäßig ostarabische Ziffern (٠١٢٣٤٥٦٧٨٩) mit westlichen Ziffern (0123456789), bisweilen sogar innerhalb derselben Tabelle. Ein Modell, das das Arabische makellos liest, kann ٤٢ dennoch uneinheitlich normalisieren (in einer Zelle korrekt verarbeiten, in einer anderen verschlucken), weil die Ziffernverarbeitung ein Artefakt der Tokenisierung ist und kein bewusst ausgeführter Rechenschritt.

Dezimal- und Tausendertrennzeichen

Arabisch verfügt über ein eigenes Dezimaltrennzeichen (٫) und ein eigenes Tausendertrennzeichen (٬), und in der GCC-Berichterstattung kommen zudem westliche Kommata und Punkte vor. Dieselbe Zeichenfolge kann je nach geltender Konvention 7,5 oder 75 bedeuten. Wir haben erlebt, wie ein Modell ٧٫٥ als fünfundsiebzig las. Ein einziges falsch interpretiertes Trennzeichen, und schon weicht eine Marge, eine Covenant-Kennzahl oder eine Steuerbemessungsgrundlage um eine Größenordnung ab.

Code-Switching zwischen IFRS und AAOIFI

Eine Gruppe in der Golfregion bilanziert ihre konventionellen Einheiten häufig nach IFRS und ihre islamischen Finanzgeschäfte nach AAOIFI-Standards. Der arabische Begriff kann identisch sein, während sich die buchhalterische Behandlung unterscheidet: etwa bei der Erlöserfassung einer Murabaha gegenüber einem konventionellen Darlehen. Ein LLM, das die Regel des Rahmenwerks nur in seinem Prompt-Kontext vorhält, driftet von Gespräch zu Gespräch ab. Die Behandlung muss an einer stabilen Stelle verankert sein.

Rekonstruktion von Tabellen mit Leserichtung von rechts nach links

Wenn ein Modell eine Tabelle aus extrahiertem Text wieder aufbaut, kann es Spalten vertauschen, deren visuelle Anordnung es nie gesehen hat. In einem von rechts nach links gelesenen Dokument potenziert sich dieses Risiko. Eine vertauschte Spalte vertauscht klammheimlich Ihre laufende mit der Vorjahresperiode.

Nichts davon sind Mängel im Arabisch des Sprachmodells. Es sind numerische und strukturelle Probleme im arabischen Gewand, und ein flüssigeres Modell rührt keines davon an.

Warum die Lösung eine eigene Ebene ist und kein besserer Prompt

Sie können einen Trennzeichen-Fehler für ein einzelnes Dokument per Prompt-Engineering umgehen. Aber Sie können einem probabilistischen System keine Determiniertheit antrainieren. Ein LLM erzeugt das wahrscheinlichste nächste Token; es führt keine Arithmetik aus. Kommt die Mehrdeutigkeit arabischer Ziffern hinzu, sinkt die Chance auf ein sauber berechnetes Ergebnis weiter, statt zu steigen.

Die Antwort lautet also nicht, das beste Arabisch-Modell zu wählen und seinen Berechnungen zu vertrauen. Sie lautet, das Arabisch-Modell die Sprache erledigen zu lassen und eine deterministische Zahlenebene darunterzulegen, die alles Numerische übernimmt. Genau das ist die gesamte Prämisse unserer Säule: die verlässliche Finanzmodellierungsebene für KI.

Konkret bauen wir folgende Arbeitsteilung auf:

• Die Erfassung normalisiert ein einziges Mal. Wenn wir Ihre Buchhaltungsplattform oder Ihre Abschlüsse anbinden, werden ostarabische und westliche Ziffern in eine kanonische Form überführt, Trennzeichen anhand der tatsächlichen Konvention des Dokuments aufgelöst und die Werte abgestimmt, sodass das Modell mit dem Hauptbuch übereinstimmt.
• Die Berechnung läuft im Code. Szenarien, Kennzahlen und Aggregationen laufen über eine deterministische Engine, nicht über das LLM. Stellen Sie dieselbe Frage zweimal, erhalten Sie zweimal dieselbe Zahl.
• Regeln der Rahmenwerke werden gespeichert, nicht geprompted. IFRS- und AAOIFI-Behandlungen sind im Modell codiert, sodass die Position aus dem islamischen Finanzwesen über jede Abfrage hinweg einheitlich behandelt und nicht in jeder Sitzung neu geraten wird.
• Jede Zahl ist bis zur Quelle nachvollziehbar. Die Antwort, die das Arabisch-Modell formuliert, ist durch eine Kette bis zur Hauptbuchzeile belegt, der ein Prüfer folgen kann.

Das Arabic-First-LLM ist die richtige Schnittstelle dafür. Es versteht die arabische Frage und erläutert die arabische Antwort. Es ist die falsche Komponente, um die Zahl selbst zu sein.

Die ehrliche Grenze

Diese Kombination macht das Sprachmodell nicht fehlerfrei, und sie sollte es auch nicht vorgeben. Wenn Ihr Quelldokument tatsächlich mehrdeutig ist (ein gescannter Bericht, in dem ٧٫٥ und ٧٬٥ visuell nicht zu unterscheiden sind), legt die Ebene die Mehrdeutigkeit offen, statt zu raten. Genau das ist der Sinn. Ein deterministisches System, das meldet „Ich kann dieses Trennzeichen nicht auflösen”, ist einem CFO mehr wert als ein flüssiges, das selbstbewusst falsch wählt. Wir zeigen Ihnen lieber die Lücke, als sie zu übertünchen.

Den umgebenden Kontext finden Sie darin, warum CFOs in der GCC ihrer KI bei den Zahlen nicht trauen und wie dieselbe Ebene ZATCA, E-Invoicing und prüfungssichere Modelle handhabt.

Die Quintessenz ist eng gefasst und klar: Wählen Sie das beste verfügbare Arabisch-Modell für die Sprache und weigern Sie sich dann, es rechnen zu lassen. Kombinieren Sie es mit einem abgestimmten, deterministischen Modell, und Sie erhalten arabische Sprachgewandtheit ohne Überraschungen in der Größenordnung. Wenn Sie das an einem echten arabischen Management-Report testen möchten (gemischte Ziffern und alles), buchen Sie eine Demo und bringen Sie den unübersichtlichsten Abschluss mit, den Sie haben.