Der geprüfte Jahresabschluss für 2025 ist 2026 fällig. Kann Ihre KI jede Zahl zurück zur Prüfung führen?

Ein Unternehmen in den VAE mit Geschäftsjahresende zum 31. Dezember 2025 hat bis zum 30. September 2026 Zeit, seine Körperschaftsteuererklärung einzureichen und die Steuerschuld zu begleichen. Neun Monate nach Periodenende, ohne automatische Fristverlängerung. Die Federal Tax Authority behandelt die Abgabe der Erklärung und die Zahlung der Steuer als eine einzige Pflicht – knapp daneben zählt also nicht. Bis diese Frist erreicht ist, wird Ihr Finanzteam Monate damit verbracht haben, einen geprüften Jahresabschluss zu erstellen, den ein externer Wirtschaftsprüfer testiert hat, den die FTA einsehen kann und den ein Aufsichtsgremium genehmigt hat.

Legen Sie nun die Frage darüber, die beim Kauf des ersten Finanz-Copiloten so gut wie niemand gestellt hat: Wenn ein Controller ein KI-Werkzeug fragt „Wie hoch war die bereinigte operative Marge der Dubaier Gesellschaft im dritten Quartal?” und die KI 18,4 % zurückgibt – woher stammen diese 18,4 %?

Wenn die ehrliche Antwort lautet „Das Modell hat sie aus ein paar Dokumenten im Kontextfenster abgeleitet”, dann haben Sie ein Problem, das mit jedem Quartal schärfer wird.

Die Prüfung interessiert nicht, wie selbstsicher das Modell klingt

Generative Modelle sind darauf ausgelegt, flüssige, plausible Ausgaben zu erzeugen. Genau das ist der falsche Reflex für eine Zahl, die einer Prüfung standhalten muss. Ein großes Sprachmodell, das nach einer Kennzahl gefragt wird, liefert eine Zahl. Sie kann richtig sein. Sie kann aber auch um eine Rundungskonvention danebenliegen, um eine Periodengrenze, um eine Intercompany-Eliminierung, die es nie gesehen hat, oder um eine Umsatzposition, an die es sich nur halb aus einem PDF erinnert, das Sie ihm vor drei Prompts eingefügt haben. Die Ausgabe liest sich in beiden Fällen identisch. Es gibt keine sichtbare Naht zwischen „aus dem Hauptbuch abgerufen” und „mit Überzeugung geraten”.

Die Grundannahme eines Prüfers ist die umgekehrte. Jede wesentliche Zahl im Abschluss muss sich auf die Summen- und Saldenliste zurückführen lassen, und die Summen- und Saldenliste muss sich auf den Beleg zurückführen lassen. Das ist die Beweiskette, auf der die ganze Übung ruht. Eine Zahl, die nicht nachvollziehbar ist, ist keine geringfügige Schwäche in den Arbeitspapieren – sie ist eine unbelegte Behauptung. Prüfer beanstanden so etwas. Und die FTA kann, wenn sie eine Erklärung innerhalb ihres Festsetzungszeitraums prüft, denselben Nachweis verlangen.

Der Maßstab für eine KI-Zahl, die in den geprüften Abschluss eingeht, lautet also nicht „in der Regel zutreffend”. Er lautet „nachvollziehbar bis zu derselben abgestimmten Quelle, auf die sich der Prüfer gestützt hat”. Das ist eine deutlich höhere Hürde, und die meisten Konstellationen von KI über Finanzdaten schaffen sie nicht.

Warum „den Abschluss einfach ins Modell geben” still und leise scheitert

Das gängige Muster besteht darin, das Management-Reporting, ein paar Exporte und den geprüften PDF-Abschluss des Vorjahres in ein Modell zu kippen und es über diesen Stapel räsonieren zu lassen. Das macht sich in der Demo gut. Es bricht an drei vorhersehbaren Stellen.

Erstens stimmen die Zahlen in diesen Dokumenten selten miteinander überein. Das Management-Paket weist einen Umsatz aus, der Hauptbuch-Export nach einer späten Buchung einen anderen, und der Vorjahresabschluss nutzt eine Darstellung, die sich inzwischen geändert hat. Das Modell hat keine prinzipielle Möglichkeit zu entscheiden, welche Zahl maßgeblich ist. Es wird eine auswählen oder sie vermischen – und es wird Ihnen nicht sagen, dass es das getan hat.

Zweitens findet die Berechnung im Modell statt. Fragen Sie nach einer Marge, einer Wachstumsrate oder einem Covenant-Verhältnis, und das LLM führt die Arithmetik Token für Token aus. Das ist konstruktionsbedingt nicht deterministisch. Führen Sie denselben Prompt zweimal aus, und Sie können zwei Antworten erhalten. Kein Prüfer akzeptiert eine Kontrolle, die bei identischen Eingaben unterschiedliche Ergebnisse liefert.

Drittens fehlt jede Herkunftskette. Selbst wenn die Antwort korrekt ist, können Sie nicht zeigen, warum. Sie können nicht auf die dahinterliegenden Buchungssätze verweisen, auf den Konsolidierungskreis, die Periode, den angewandten Wechselkurs. Wenn der Prüfer fragt, sind Sie zurück bei der manuellen Rekonstruktion – also genau bei der Arbeit, die das Werkzeug eigentlich abnehmen sollte.

Was „zurück zur Prüfung führen” tatsächlich erfordert

Eine Zahl, die in eine Prüfungsakte gehört, muss einige nicht verhandelbare Bedingungen erfüllen. Sie muss aus einem einzigen abgestimmten Modell stammen und nicht aus einer Streuung widersprüchlicher Exporte. Sie muss deterministisch berechnet sein, sodass dieselbe Frage stets denselben Wert zurückgibt. Und sie muss ihre Herkunftskette mitführen, sodass jeder von der Antwort bis hinab zu den Ursprungsbuchungen gelangen kann.

Genau diese Lücke ist Rexfin gebaut zu schließen. Wir binden Ihre Buchhaltungs- und Finanzdatenplattformen direkt an – QuickBooks, Xero, NetSuite, Sage, SAP, Oracle, ein Data Warehouse – oder Sie laden Abschlüsse hoch, wenn keine direkte Anbindung verfügbar ist. Aus diesen Quellen bauen wir ein einziges abgestimmtes Finanzmodell, das sich mit dem Hauptbuch deckt. Dieses Modell ist die einzige Quelle der Wahrheit, nicht eine Kopie, die die KI umschreibt.

Wenn KI darauf aufsetzt, ist die Arbeitsteilung strikt. Das Modell ruft Zahlen aus der abgestimmten Schicht ab. Berechnungen laufen über eine deterministische Engine, nicht über das Sprachmodell – eine Marge ist also eine echte Division geprüfter Eingangswerte und kein generiertes Token. Was-wäre-wenn-Szenarien setzen auf derselben Basis auf. Jede Zahl in einer Antwort lässt sich auf die Buchungen zurückführen, die sie hervorgebracht haben. Die Aufgabe der KI ist es, zu finden, einzuordnen und zu erklären – niemals, die Zahl zu erfinden.

Der Unterschied zählt am meisten unter Druck. Während des Abschlusses, während die Neun-Monats-Uhr läuft, sollte ein Controller sich nicht fragen müssen, ob die Antwort des Assistenten standhält. Entweder stimmt sie mit dem Hauptbuch überein oder nicht – und Rexfin gibt nur Antworten zurück, die es tun.

Der Maßstab wird sich gleich verschärfen

Falls Ihnen die Abstimmung wie ein Problem vorkommt, das Sie aufschieben können, widerspricht der Kalender. IFRS 18 tritt für Geschäftsjahre in Kraft, die am oder nach dem 1. Januar 2027 beginnen. Unter anderem zieht der Standard die unternehmensdefinierten Leistungskennzahlen – das bereinigte EBITDA und das bereinigte Betriebsergebnis, das Unternehmen in ihre Investorenpräsentationen setzen – in den geprüften Anhang hinein, mit einer verpflichtenden Überleitung auf die IFRS-definierten Zwischensummen. Zahlen, die früher im ungeprüften Lagebericht lebten, rücken in den Prüfungsumfang. Eine KI, die bereinigte Zahlen improvisiert, wird künftig innerhalb des geprüften Abschlusses improvisieren. Wir arbeiten diesen Wandel in IFRS 18 zieht das bereinigte EBITDA in den geprüften Abschluss durch.

Bei Konzernen potenziert sich der Druck. Eine Holdingstruktur über Dutzende Gesellschaften muss auf derselben Neun-Monats-Uhr konsolidieren, eliminieren und darstellen – und eine KI, die den Konsolidierungskreis nicht sauber auseinanderhält, wird Zahlen produzieren, die richtig aussehen und sich mit nichts decken. Das ist das Thema von ein abgestimmtes Modell über 40 SPVs.

Die Quintessenz

Die Neun-Monats-Frist der VAE ist nicht nur eine Einreichungsvorschrift. Sie ist ein Erzwingungsmechanismus. Sie setzt ein hartes Datum auf den Moment, in dem Ihre Zahlen einem Prüfer und der FTA gegenübertreten, und sie entlarvt jedes Werkzeug, das Zahlen erzeugt, die niemand nachvollziehen kann. Die Lösung ist kein sorgfältigerer Prompt und kein größeres Modell. Sie ist Architektur: eine abgestimmte Quelle, deterministische Berechnung und eine Herkunftskette an jeder Zahl – damit die KI, auf die sich ein Controller stützt, an dasselbe Hauptbuch verankert ist, das der Prüfer testiert.

Wenn Sie auf eine Einreichung im Jahr 2026 zusteuern und sehen möchten, wie prüfungssichere KI über Ihren eigenen Büchern tatsächlich aussieht, buchen Sie eine Demo. Wir binden Ihre Daten an, stimmen sie ab und zeigen Ihnen eine Zahl – und dann zeigen wir Ihnen genau, woher sie stammt.