18. Oktober 2026 by Martin Scholz

Vom PDF zur Pipeline: Wie ich eine KI-Strecke für Going-Concern-Offenlegungen in Research-Workflows einbaue

Abstract

Früher war Going Concern ein Randthema im Anhang. Heute ist es ein eigener Datenstrom, der quer durch Kredit- und Equity-Research läuft. In diesem Beitrag nehme ich dich mit durch eine komplette Pipeline: von der Erfassung der Berichte über KI-gestützte Extraktion und Klassifikation bis hin zur Übergabe in Dashboards und Memos. Ich zeige, wie ich technische Bausteine mit klarer Governance verbinde, warum man Qualitätssicherung wie ein Sicherheitsnetz denken sollte und wieso am Ende trotzdem der Mensch entscheidet, welche Signale wirklich zählen.

Analyst skizziert eine KI-Pipeline für Going-Concern-Offenlegungen

1.Vom Dokument zur Pipeline denken

Früher war ein Geschäftsbericht für mich ein einzelnes PDF auf dem Schreibtisch. Heute sehe ich ihn als Startpunkt eines Weges, der durch mehrere Stationen führt, bevor ein Going-Concern-Hinweis im Research-Dashboard landet. Wenn diese Stationen nicht klar definiert sind, verwandelt sich jede noch so smarte KI in eine Blackbox. Am Anfang steht für mich deshalb die Pipeline, nicht der Algorithmus. Ich skizziere den Weg wie eine Landkarte: Eingang der Dokumente, Konvertierung in durchsuchbaren Text, Vorfilterung nach Relevanz, KI-Extraktion, Klassifikation, Strukturierung, Übergabe in Tools. Jede Station bekommt eine klare Aufgabe, Eingabe und Ausgabe. So wird aus einer abstrakten Idee ein greifbarer Ablauf. Der Unterschied zur alten Welt liegt im Takt. Früher kam der Bericht, jemand las, schrieb ein Memo, fertig. Heute fließen neue Berichte in einen wiederkehrenden Prozess, der sich selbst dokumentiert. Ich kann jederzeit nachvollziehen, wann welches Dokument durch welche Station gegangen ist. Das schafft nicht nur Tempo, sondern vor allem Nachvollziehbarkeit – eine Währung, die in sensiblen Themen wie Unternehmensfortführung besonders zählt.

Ich beginne nie mit dem Modell, sondern mit dem Weg des Dokuments durchs Haus – vom Eingang bis ins Memo.

2.Eingänge ordnen, bevor Modelle starten

Bevor ich über Modelle nachdenke, stelle ich mir eine einfache Frage: Wie sauber sind meine Eingänge. Ein Going-Concern-System lebt davon, dass Berichte vollständig, lesbar und korrekt zugeordnet sind. Klingt trivial, ist es aber selten. Schief gelabelte Dateien, fehlende Anhänge oder unlesbare Scans untergraben jede spätere Auswertung. Darum behandle ich die Eingangsphase wie eine kleine Werkstatt. Berichte werden gesammelt, formale Merkmale geprüft, Textlagen extrahiert und mit Metadaten versehen: Emittent, Periode, Sprache, Quelle. Erst wenn diese Basis stimmt, darf die KI loslegen. Sonst analysiert sie Schatten statt Substanz. Parallel definiere ich Ausschlussregeln. Nicht jedes Dokument ist relevant, nicht jede Randbemerkung braucht eine eigene Analyse. Ein schlauer Vorfilter nach Dokumenttyp und Abschnitt spart Rechenzeit und Nerven im Review. Das Ziel ist klar: Wenn der Going-Concern-Prozess startet, soll niemand mehr rätseln müssen, welches Dokument er gerade vor sich hat.

Ohne saubere Eingänge stolpert jede KI – Müll rein, Muster raus, aber keine belastbaren Signale.

3.Modelle als Werkzeug, nicht als Richter

Wenn die Pipeline steht und die Eingänge sauber sind, kommt der Teil, der gern als Magie verkauft wird: die KI-Modelle. Für Going-Concern-Offenlegungen nutze ich sie in drei Rollen. Erstens als Suchscheinwerfer, der potenziell relevante Passagen findet. Zweitens als Sortierer, der diese Passagen in inhaltliche Kategorien legt. Drittens als Übersetzer, der Text in strukturierte Felder verwandelt. Doch so beeindruckend diese Modelle wirken, sie brauchen einen Rahmen. Ich definiere klare Grenzen: Welche Entscheidungen trifft das System nie, welche Labels dürfen nur Menschen vergeben, welche Schwellenwerte lösen ein Review aus. So bleibt die KI ein Werkzeug, kein heimlicher Entscheider. In der Praxis heißt das: Jede Passage, die das System als besonders kritisch markiert, bekommt automatisch einen menschlichen Blick. Analysten können Modellvorschläge bestätigen, korrigieren oder verwerfen. Diese Rückmeldungen fließen zurück in die Pipeline und verbessern die Qualität über die Zeit. Ergebnisse können sich unterscheiden – und genau diese Unterschiede sind der Stoff, aus dem Lernen entsteht.

Die Modelle sind das Herz, aber das Herz schlägt im Takt eines klaren Rahmens, nicht im luftleeren Raum.

4.Ausgänge dort bauen, wo Entscheidungen fallen

Eine Pipeline lebt von ihren Ausgängen. Für Going-Concern-Analysen heißt das: Wo tauchen die strukturierten Hinweise im Alltag wirklich auf. Ein schönes Backend nützt wenig, wenn Analysten am Ende doch wieder PDFs durchsuchen. Darum plane ich Ausgänge so konkret wie Eingänge. Typische Andockpunkte sind für mich kompakte Übersichten pro Unternehmen, Detailansichten mit Originaltext und Kategorien sowie Exporte für Memos und interne Gremien. Wichtig ist die Rücksprungmöglichkeit: Von jeder Ampel, jedem Label führt ein Klick zurück zur Fundstelle im Bericht. So bleibt der Kontext lebendig. Ich denke diese Ausgänge immer im Dialog mit Governance. Welche Signalkombination soll eine Diskussion im Risk-Komitee auslösen. Wo reicht ein Hinweis im Analystennotizfeld. Wie werden abweichende Einschätzungen dokumentiert. Die Pipeline endet nicht im Dashboard, sondern im Gespräch. Past performance doesn't guarantee future results – und kein Signal ersetzt das gemeinsame Ringen um die richtige Einordnung.

Ohne sichtbare Ausgänge bleibt jede Pipeline ein Kellerprojekt – Research braucht klare Andockpunkte.

5.Qualität wie ein Sicherheitsnetz denken

Die beste Pipeline hilft wenig, wenn niemand weiß, wie zuverlässig sie arbeitet. Deshalb ziehe ich Qualitätssicherung wie ein Netz unter den gesamten Ablauf. Nicht als Sonderprojekt, sondern als festen Teil jeder Runde. Jede neue Welle von Berichten bringt Stichproben, Abgleiche und manchmal auch Korrekturen. Ich arbeite mit einfachen, aber konsequenten Routinen. Ein fester Anteil der vom Modell markierten Passagen wird manuell geprüft. Abweichungen werden nicht nur korrigiert, sondern kategorisiert: War die Formulierung ungewöhnlich, war das Schema zu grob, hat der Vorfilter versagt. Aus diesen Mustern entstehen Anpassungen an Modellen, Regeln und manchmal auch an der Governance. Wichtig ist mir, die Grenzen offen zu benennen. Kein System erkennt jede Nuance, keine Pipeline ist unfehlbar. Ergebnisse können variieren, und sie tun es. Genau deshalb dokumentiere ich Annahmen, Modellversionen und Änderungen transparent. So lässt sich später nachvollziehen, warum eine bestimmte Einschätzung zustande kam – und wo man sie im Licht neuer Informationen neu bewerten sollte.

Qualitätssicherung ist kein einmaliger Testlauf, sondern ein Sicherheitsnetz, das ständig mitläuft.

Mehr erfahren Kontakt aufnehmen