Reproduzierbar ab Werk: Wie Sie eine KI-Zahl genauso belegen wie eine Formel

Klicken Sie in einer Tabelle auf eine Zelle, und Sie können die Zahl dahinter belegen. Die Bearbeitungsleiste zeigt die Rechenoperation, die Operation verweist auf andere Zellen, und diese Zellen verweisen auf Eingangswerte. Sie können die Zahl von Hand nachrechnen und erhalten jedes Mal dasselbe Ergebnis. Diese Eigenschaft hat in der Prüfungspraxis einen Namen: Sie ist reproduzierbar. Gleiche Eingaben, gleicher Weg, gleiches Ergebnis.

Stellen Sie nun einem Sprachmodell dieselbe Frage zweimal und beobachten Sie, was passiert.

In einem viel zitierten Test erzeugte ein Modell mit 235 Milliarden Parametern 80 unterschiedliche Antworten über 1.000 identische Durchläufe hinweg – und das selbst bei einer Temperatur von null. Forscher, die das Problem untersuchten, führten es auf die Hardware selbst zurück: Rundungsunterschiede in der Gleitkommaarithmetik sowie nicht-deterministische GPU-Kernel in den Attention- und Normalisierungsschichten. Eine Temperatur von null verengt die Verteilung. Sie schließt sie nicht. Ein Modell kann sich über eine Zahl, die Sie einem Aufsichtsrat vorlegen, mit sich selbst uneinig sein.

Genau um diese Lücke geht es in diesem Beitrag. Nicht darum, ob KI im Finanzwesen nützlich sein kann, sondern darum, ob sich eine KI-Zahl so belegen lässt wie eine Formel. Die Antwort hängt vollständig davon ab, wo die Rechnung stattfindet.

Was „reproduzierbar” tatsächlich verlangt

Wenn ein Prüfer oder ein Prüfungsausschuss sagt, KI-Ergebnisse sollen prüffähig sein, verlangt er in der Regel dreierlei – auch wenn er es anders formuliert.

Erstens Determinismus: Identische Eingaben erzeugen eine identische Zahl, heute und in achtzehn Monaten, wenn jemand die Datei wieder öffnet. Zweitens Nachvollziehbarkeit: Jede Zahl hat einen Weg zurück zu einer Buchung oder einem angegebenen Eingangswert – nicht zu einer Umschreibung davon. Drittens Unabhängigkeit: Eine zweite Partei kann die Arbeit erneut ausführen und landet innerhalb der Toleranz beim gleichen Ergebnis.

Das sind keine neuen Erwartungen, die eigens für die KI erfunden wurden. Es sind dieselben Kontrollen, unter denen das Finanzwesen seit jeher arbeitet. Neu ist, dass Aufsichtsrahmen begonnen haben, die Reproduzierbarkeit ausdrücklich zu benennen. Die Prüffähigkeitsanforderungen des EU AI Act für Hochrisikosysteme, das NIST AI Risk Management Framework und die aufsichtsrechtlichen Vorgaben für US-Banken stützen sich allesamt auf Konsistenz bei identischen Eingaben. Die 2026 veröffentlichte COSO-Leitlinie zu internen Kontrollen für generative KI brachte denselben Punkt in der Sprache der Kontrollen auf den Punkt: „Set and forget” funktioniert bei probabilistischen Modellen nicht, und das Monitoring wird zu einer Kontrollaktivität statt zu einer nachträglichen Überlegung.

Manche Prüfungsteams sind weiter gegangen und haben schriftlich festgehalten, was sie akzeptieren werden. Es sind Replikationsstandards mit ausdrücklicher Stichproben-Kadenz und einem Toleranzband von ±5 Prozent für unabhängige Wiederholungen aufgetaucht. Lesen Sie das genau. Ein Toleranzband ist genau das, was Sie festlegen, wenn Sie bereits eingeräumt haben, dass das System sich nicht exakt reproduzieren lässt. Für eine Bilanzüberleitung sind ±5 Prozent keine Rundungstoleranz. Es ist ein Loch.

Warum das Modell niemals der Rechner sein kann

Der erste Reflex angesichts der Modellvarianz ist, die Temperatur herunterzudrehen und zu hoffen. Wir haben Teams dabei beobachtet, wie sie sich genau damit einreden, das Problem gelöst zu haben. Es verringert die sichtbare Varianz bei kurzen Antworten und verbirgt den Rest.

Das tiefer liegende Problem ist konzeptioneller Natur. Ein Sprachmodell sagt das nächste Token voraus. Es ist außerordentlich gut darin, zu erkennen, dass eine Frage die Bruttomarge betrifft und dass in die Bruttomarge Umsatz und Wareneinsatz einfließen. Es ist kein Rechner. Wenn es 4.182.665 minus 3.114.209 „berechnet”, erzeugt es eine plausible Ziffernfolge, es führt keine Subtraktion aus. Meistens ist die plausible Folge korrekt. Das „Meistens” ist das Problem. Sie können „in der Regel richtig” nicht in eine Fußnote schreiben.

Eine eigene Reihe von Untersuchungen zu Finanzprozessen nennt diesen Fehlermodus Output-Drift: Derselbe Prompt, über verschiedene Anbieter, über verschiedene Modellversionen oder einfach über einen ruhigen Dienstag hinweg ausgeführt, liefert Zahlen, die nicht mehr aufgehen. Der Drift bleibt unsichtbar, bis die Abstimmung ihn aufdeckt – und die Abstimmung ist genau der Schritt, den Teams wegautomatisieren wollen.

Das Modell muss also seine eigentliche Stärke behalten – Sprache und Absicht – und die eine Aufgabe abgeben, für die es nie gebaut wurde. Die Arithmetik muss an einen deterministischen Ort wandern.

Die Schicht, die es belegbar macht

Genau um dieses Prinzip ist Rexfin herum aufgebaut, und die Logik ist offensichtlich, sobald man die Aufgaben voneinander trennt.

Rexfin verbindet sich mit den Systemen, in denen Ihre Zahlen ohnehin bereits liegen – darunter QuickBooks, Xero, NetSuite, Sage, SAP, Oracle und Ihr Data Warehouse oder hochgeladene Abschlüsse. Aus diesen Quellen baut es ein abgestimmtes Finanzmodell auf, das mit dem Hauptbuch aufgeht. Dieses Modell ist die eine Instanz, gegen die jede Zahl berechnet wird. Warum das zählt, behandelt der Säulenbeitrag über die verlässliche Finanzmodellierungsschicht für KI, und die Falle, eine Arbeitsmappe als dieses Fundament zu behandeln, ist Thema von warum eine Tabelle das falsche Fundament für KI-Finance ist.

Wenn Sie eine Frage stellen, übernimmt das Sprachmodell den Teil, in dem es gut ist: Es interpretiert, was Sie meinen, und wählt aus, welche Zahlen und Operationen relevant sind. Die Berechnung selbst läuft über eine deterministische Rechenmaschine, nicht über das LLM. Die Maschine führt die Operation gegen das abgestimmte Modell aus, liefert die Zahl zurück und protokolliert den Weg von den Eingaben zum Ergebnis. Stellen Sie nächstes Quartal dieselbe Frage gegen dieselben Daten, erhalten Sie dieselbe Zahl. Geben Sie sie an einen zweiten Prüfer, erhält dieser dieselbe Zahl. Das ist Reproduzierbarkeit im Sinne der Tabelle – wiederhergestellt.

Es lohnt sich, genau zu sein, warum es nicht dasselbe ist, ein Modell über ein Protokoll mit Ihrem ERP zu verbinden. Eine Verbindung verschafft dem Modell Zugriff auf die Daten; sie verlagert die Arithmetik nicht vom Modell weg. Wir entwirren diese Unterscheidung in MCP für das Finanzwesen reicht nicht. Zugriff ohne deterministische Maschine erlaubt dem Modell lediglich, echte Zahlen abzurufen und dann unzuverlässig damit zu rechnen.

Was sich dadurch im Raum verändert

Stellen Sie sich das Prüfungsgespräch vor. Jemand stellt eine Zahl im Management-Pack infrage. Bei einem Ansatz mit dem Modell als Bestandteil der Berechnungskette lautet die ehrliche Antwort: Die Zahl wurde generiert, ist vermutlich korrekt und ihre Reproduzierbarkeit ist nicht garantiert. Diese Antwort übersteht keine Kontrollprüfung.

Mit einer deterministischen Schicht fällt die Antwort anders aus. Die Zahl ist auf konkrete Buchungen rückführbar. Die Operation, die sie erzeugt hat, ist protokolliert. Führen Sie sie erneut aus, und sie liefert denselben Wert. Sie verteidigen keine generierte Zahl mehr. Sie legen Ihren Rechenweg offen – so, wie Sie es bei einer Formel täten.

Szenarioarbeit erfährt dieselbe Behandlung. Wenn Sie in Rexfin eine Was-wäre-wenn-Rechnung modellieren, rechnet die Maschine deterministisch gegen das abgestimmte Modell neu, sodass ein Negativszenario, das Sie dem Aufsichtsrat vorlegen, Zeile für Zeile reproduziert werden kann – statt neu generiert und stillschweigend abweichend zu sein. Wie sich das in realen Finanzprozessen niederschlägt, sehen Sie auf der Anwendungsfälle-Seite.

Nichts davon macht das Modell weniger wertvoll. Es macht das Modell vertrauenswürdig, indem es ihm eine Aufgabe gibt, die es tatsächlich erfüllen kann: die Frage verstehen, die Antwort erläutern und die Arithmetik einer Schicht überlassen, die sich reproduzieren lässt. Streichen Sie alles andere weg, und das ist das gesamte Argument. Eine Zahl, die Sie nicht reproduzieren können, ist keine Zahl, die Sie berichten können.

Wenn Ihr Team KI-Zahlen vor einen Prüfer oder einen Aufsichtsrat bringen soll, ist die erste zu klärende Frage, ob sich diese Zahlen reproduzieren lassen. Buchen Sie eine Demo, und wir lassen eine Ihrer Abstimmungen zweimal durch die deterministische Maschine laufen und Sie prüfen das Ergebnis gegen Ihr Hauptbuch.