Research Insights

Von der Fußnote zum Datenpunkt: KI-gestützte Klassifikation von Going-Concern-Offenlegungen für Research-Teams

Wie ich mit KI Textsignale zur Unternehmensfortführung sortiere, statt in Fußnoten zu versinken

Martin Scholz 18. Oktober 2026

Früher war ein Going-Concern-Hinweis ein roter Marker im Ausdruck. Heute ist er ein Datenpunkt in einem strukturierten Raster. In diesem Beitrag zeige ich, wie ich mit KI Textsignale aus Geschäftsberichten erfasse, klassifiziere und in Research-Workflows überführe – ohne den professionellen Zweifel zu verlieren, der jede fundierte Kredit- und Equity-Analyse braucht.

Von Textflut zu klaren Kategorien für Going-Concern-Hinweise

Früher war Going Concern ein Bauchgefühl nach einer langen Nacht mit dem Anhang. Einzelne Sätze klebten in Notizen, aber kaum jemand konnte später erklären, warum genau sie als kritisch galten. Heute kann ich denselben Text als geordnetes Mosaik sehen: Jede Passage landet in einer klar definierten Kategorie, mit Labels für Quelle, Tonalität und thematischen Auslöser. Der erste Schritt dorthin ist die Klassifikation. Ich arbeite mit einem KI-System, das nicht nur nach Schlagworten sucht, sondern Formulierungen nach ihrem inhaltlichen Gehalt sortiert. Ein nüchterner Hinweis auf die Fortführungsannahme landet anders als eine Beschreibung konkreter Liquiditätsengpässe. Dazwischen liegen Abstufungen: erhöhte Unsicherheit, abhängig von Covenants, stark vom Goodwill-Test geprägt. Dieses Raster ersetzt keine fachliche Diskussion, es rahmt sie. Wenn ich eine Passage als „explizite Unsicherheit, Liquidität“ markiert sehe, weiß ich, welche Kolleginnen ich ins Gespräch holen will. Risk, Accounting, vielleicht Legal. So wird aus verstreuten Textinseln ein Gespräch auf Augenhöhe über Signale, nicht über Dateinamen.

Feinere Signale durch mehrdimensionale Textklassifikation

Ich mag Gedankenexperimente. Stell dir vor, du hast zwei Geschäftsberichte auf dem Tisch. Beide enthalten einen Absatz zur Unternehmensfortführung. Im ersten Bericht beschreibt das Management konkrete Refinanzierungspläne, nennt Laufzeiten, Covenants und zugesagte Linien. Im zweiten bleibt alles vage, es ist von laufenden Gesprächen und zuversichtlichen Erwartungen die Rede, ohne Details. Ein klassisches KI-Modell würde beide Passagen als relevant markieren. Ein besseres Modell geht weiter: Es erkennt, dass die eine Passage detaillierte Maßnahmen beschreibt, während die andere eher auf weiche Formulierungen setzt. In unserem System erhält jede Textstelle deshalb zusätzliche Dimensionen: Grad der Konkretheit, Bezug zu Finanzkennzahlen, Erwähnung externer Akteure wie Kreditgeber oder Anteilseigner. So entsteht eine feinere Skala als nur „Hinweis vorhanden oder nicht“. Ich kann filtern, vergleichen und Muster erkennen. Häufen sich zum Beispiel vage Formulierungen in einer bestimmten Branche, oder verändert ein Unternehmen über die Jahre seine Sprache? Das Modell liefert mir dafür strukturierte Anhaltspunkte, die ich mit meinem eigenen Urteil verbinde.

Klassifikation in Research-Workflows verankern

Die eigentliche Magie beginnt, wenn klassifizierte Textpassagen ihren Weg in den Alltag der Research-Teams finden. Früher wanderte ein kritischer Absatz in ein Memo oder eine Präsentation, losgelöst von seiner Quelle. Heute kann ich im Tool direkt vom eigenen Notizfeld zurück zur exakten Stelle im Bericht springen – inklusive Modellbewertung und Zeitstempel. Ich arbeite gern mit einem dreistufigen Ablauf, den ich „Lesen – Verknüpfen – Nachhalten“ nenne. Zuerst lasse ich das Modell lesen und die Going-Concern-Hinweise in Kategorien legen. Dann verknüpfe ich diese Kategorien mit meinen eigenen Einschätzungen, etwa in internen Risikofeldern oder Ampeln. Zum Schluss halte ich fest, wie sich Sprache und Signale über mehrere Berichtsperioden verändern. So entsteht eine Art Logbuch der Fortführungsdiskussion. Es zeigt nicht nur, welche Unternehmen heute im Fokus stehen, sondern auch, wie sich frühere Signale im Rückblick darstellen. Und genau hier liegt der stille, aber wichtige Hinweis: Auch wenn Muster erkennbar werden, bleiben Unsicherheiten bestehen. Ergebnisse können voneinander abweichen, und das tun sie. Past performance doesn't guarantee future results – und das gilt auch für Textsignale.

Klarer Rahmen: Governance für KI-basierte Klassifikation

Die beste Klassifikation hilft wenig, wenn sie im Widerspruch zu Governance-Strukturen steht. Ich habe früh gelernt, dass KI im Going-Concern-Kontext nur dann Akzeptanz findet, wenn Rollen und Grenzen klar definiert sind. Das Modell liefert eine analytische Vorstrukturierung, die Entscheidung bleibt beim Menschen. Deshalb arbeite ich mit einem klaren Regelwerk, das ich „Governance-Gitter“ nenne. Jede KI-Kategorie ist einer zuständigen Rolle zugeordnet: Wer prüft besonders kritische Signale, wer dokumentiert Abweichungen zwischen Modell und Einschätzung, wer entscheidet, ob eine Passage in interne Eskalationsprozesse einfließt. So wird die Technik Teil eines bestehenden Rahmens, statt ihn zu sprengen. Gleichzeitig bleibt Transparenz zentral. Jede Klassifikation ist nachvollziehbar, jede Änderung protokolliert. Das schützt nicht vor Fehleinschätzungen, macht sie aber überprüfbar. Und genau das ist in einem Umfeld wichtig, in dem kleine Textsignale große Diskussionen auslösen können.

Mehr erfahren Kontakt aufnehmen