Going-Concern-Texte in Daten verwandeln

Research Insights

Von Textinseln zum Datennetz: Wie ich Going-Concern-Offenlegungen mit KI für Kredit- und Equity-Research strukturiere

Autor Jonas Weber 18. Oktober 2026

Von der Fußnote zur Datenstruktur: Wie ich Going-Concern-Offenlegungen mit KI in ein nutzbares Schema überführe

Früher war ein Geschäftsbericht für mich wie ein Roman ohne Inhaltsverzeichnis. Spannend, wichtig, aber mühsam zu navigieren, wenn es um Going-Concern-Hinweise ging. Ich blätterte, markierte, schrieb Randnotizen, doch am Ende blieben die entscheidenden Sätze irgendwo zwischen Papierstapeln und Dateien hängen. Heute schaue ich auf ein Datenschema. Dasselbe Dokument, dieselben Sätze – aber in Feldern organisiert, mit klaren Beziehungen und Zeitbezug. Aus der Textwüste wird eine Karte, auf der ich Pfade erkennen kann: von der Formulierung im Anhang bis zur internen Ampel im Research-Tool. Die Brücke zwischen diesen Welten schlägt ein KI-gestützter Strukturierungsprozess. Er beginnt beim rohen Text und endet bei einem konsistenten Datenmodell, das Analysten, Risk und Accounting gemeinsam nutzen können. Genau diesen Weg möchte ich hier entlanggehen: vom unstrukturierten Hinweis zur belastbaren Datenstruktur, die nicht mehr in Fußnoten verschwindet, sondern in Entscheidungen einfließt.

Vom Fragekatalog zum Datenschema

Am Anfang steht für mich immer ein nüchterner Blick: Welche Fragen soll das Datenschema eigentlich beantworten? Ohne diese Klarheit wird jede Strukturierung zum Selbstzweck. In der Praxis kreisen die Kernfragen oft um drei Achsen: Wie deutlich ist der Hinweis, worauf bezieht er sich, und wie verändert er sich über die Zeit. Aus diesen Achsen baue ich ein Grundgerüst. Jede Going-Concern-Passage erhält Felder wie Dokumenttyp, Abschnitt, Berichtsperiode und Quelle im Bericht. Dazu kommen Kategorien für die Art des Hinweises, etwa neutrale Bestätigung der Fortführungsannahme, erhöhte Unsicherheit oder explizite Warnsignale. Parallel erfasse ich Auslösergruppen wie Liquidität, Geschäftsmodell, rechtliche Risiken oder Marktumfeld. Dieses Grundschema ist bewusst knapp gehalten. Es soll nicht jedes Detail der Realität abbilden, sondern ein stabiles Rückgrat bieten. Auf dieser Basis kann ich später verfeinern: zusätzliche Felder für Tonalität, Verweise auf Kennzahlen oder Links zu internen Memos. Wichtig ist, dass das Modell für Kredit- und Equity-Research gleichermaßen lesbar bleibt und sich in bestehende Tools integrieren lässt.

Freitext in Felder überführen – ohne den Kern zu verlieren

Sobald das Grundgerüst steht, beginnt die eigentliche Kunst: Freitext muss in diese Struktur überführt werden, ohne seine Nuancen zu verlieren. Hier kommt KI ins Spiel – nicht als Orakel, sondern als disziplinierte Sortierhilfe. Der Prozess läuft in mehreren Schritten. Zuerst markiert ein Sprachmodell relevante Textpassagen und ordnet sie vorläufigen Kategorien zu. Dann werden aus diesen Passagen konkrete Felder befüllt: Welche Unsicherheitsart liegt vor, welche Auslöser werden genannt, wie konkret sind die beschriebenen Maßnahmen. Gleichzeitig erzeugt das System Metadaten wie Wortlänge, Konkretheitsgrad und Verweise auf andere Abschnitte im Bericht. Ich lasse diese Rohstruktur nie ungeprüft. Stattdessen nutze ich sie als Startpunkt für eine manuelle Stichprobe. In einem internen Review-Raster vergleiche ich Modellzuweisungen mit meiner eigenen Einschätzung. Wo die Abweichungen systematisch sind, passe ich das Schema oder die Klassifikationslogik an. So entsteht Schritt für Schritt eine Struktur, die nicht nur technisch sauber, sondern auch fachlich tragfähig ist. Ergebnisse können sich unterscheiden – und genau diese Unterschiede nutze ich, um das Modell zu schärfen.

Struktur in den Research-Alltag bringen

Ein Datenschema bleibt Theorie, solange es nicht in den Alltag wandert. Für Research-Teams zählt, wie gut sich strukturierte Going-Concern-Hinweise in bestehende Abläufe einfügen. Deshalb denke ich bei jeder neuen Struktur sofort an ihre Landungspunkte: Dashboards, Notizfelder, interne Ratingprozesse. In der Praxis hat sich für mich ein dreiteiliger Ansatz bewährt. Erstens ein kompaktes Übersichts-Widget, das pro Unternehmen die Anzahl und Art der Hinweise zeigt – sortierbar nach Periode und Auslösergruppe. Zweitens eine Detailansicht, in der jede Passage mit Originaltext, Kategorie, Tonalität und Link zur Fundstelle im Bericht angezeigt wird. Drittens ein Exportformat, das sich in interne Memos und Risikoübersichten einbinden lässt. So wird aus der abstrakten Datenstruktur ein Arbeitswerkzeug. Analysten können Muster über Zeit erkennen, Peer-Vergleiche anstellen und trotzdem jederzeit zum Originaltext zurückspringen. Dabei bleibt ein Punkt unverrückbar: Die KI liefert strukturierte Signale, aber keine abschließenden Urteile. Past performance doesn't guarantee future results, und kein Datenschema nimmt jemandem die Verantwortung ab, diese Signale kritisch zu hinterfragen.

Wenn Texte Pfade werden: Going-Concern-Daten mit Kennzahlen, Zeit und Governance verknüpfen

Früher fühlte sich die Analyse von Going-Concern-Offenlegungen oft an wie eine Schnitzeljagd ohne Karte. Jeder Bericht brachte neue Formulierungen, neue Fußnoten, neue Wege, Unsicherheit in Worte zu kleiden. Ich suchte, fand, notierte – und verlor den Überblick, sobald ich mehrere Jahre oder eine ganze Peergroup vergleichen wollte. Heute denke ich in Pfaden. Ein Hinweis im Anhang ist für mich der Startpunkt einer Spur, die sich durch Datenpunkte, Kommentare und Zeitreihen zieht. Die KI hilft mir, diese Spur sichtbar zu machen, indem sie Texte strukturiert und in wiederkehrende Muster übersetzt. Doch der eigentliche Mehrwert entsteht erst, wenn diese Muster mit Kennzahlen und Szenarien verbunden werden. In diesem zweiten Schritt geht es um Verknüpfung: Wie lassen sich strukturierte Going-Concern-Daten mit quantitativen Analysen, internen Ratings und qualitativen Einschätzungen verzahnen, ohne dass ein Teil den anderen dominiert. Genau hier entsteht ein neues Niveau an Transparenz – nicht, weil Unsicherheit verschwindet, sondern weil sie besser dokumentiert und diskutiert werden kann.

Textsignale mit Kennzahlen koppeln

Wenn strukturierte Daten erst einmal vorliegen, stellt sich die Frage, wie sie sinnvoll mit Kennzahlen sprechen können. Ich beginne selten mit komplexen Modellen, sondern mit einfachen, aber konsequenten Verknüpfungen. Ein Beispiel: Für jede Going-Concern-Passage mit der Auslösergruppe Liquidität verknüpfe ich automatisch zentrale Finanzkennzahlen wie Verschuldungsgrad oder Fälligkeitenprofil der Verbindlichkeiten. Die KI übernimmt dabei die technische Zuordnung, ich definiere die Regeln. So entstehen kleine Pärchen aus Textsignal und Zahl, die sich über Zeit und Peergroups beobachten lassen. Diese Pärchen sind keine Bewertung an sich. Sie bilden vielmehr ein Raster, in dem ich Szenarien durchspielen kann. Wie verändert sich die Sprache zur Unternehmensfortführung, wenn bestimmte Kennzahlen in den Stressbereich geraten. Wo weicht die Tonalität von vergleichbaren Unternehmen ab. Die Modelle liefern mir dafür strukturierte Startpunkte, doch die Einordnung bleibt Handarbeit – und genau dort entfaltet sich der fachliche Diskurs im Team.

Zeitachsen statt Momentaufnahmen

Ein strukturiertes Schema für Going-Concern-Hinweise entfaltet seine Stärke erst über die Zeit. Einzelne Berichtsjahre sind Momentaufnahmen, spannend wird es, wenn sich Pfade abzeichnen. Ich baue dafür gern einfache Zeitachsen, auf denen Textkategorien, Tonalität und Auslösergruppen nebeneinander sichtbar werden. Die KI unterstützt diesen Blick, indem sie historische Berichte nach denselben Regeln auswertet wie aktuelle. So entsteht eine konsistente Reihe, in der ich Verschiebungen in Sprache und Schwerpunkt erkenne. Wird aus einer neutralen Bestätigung schrittweise eine Formulierung mit mehr Unsicherheitsmarkern. Tauchen neue Auslöser auf, etwa veränderte Marktbedingungen oder rechtliche Auseinandersetzungen. Wichtig ist mir, diese Zeitreihen nicht zu überschätzen. Sie sind Hinweise, keine Beweise. Zwei Unternehmen mit ähnlichen Mustern können sich unterschiedlich entwickeln, und umgekehrt. Past performance doesn't guarantee future results – gerade im Kontext von Unternehmensfortführung. Deshalb nutze ich die Zeitachsen als Gesprächsgrundlage, nicht als Prognosemaschine.

Struktur als Teil der Governance verankern

Am Ende läuft für mich alles auf eine Frage hinaus: Wird aus strukturierter Going-Concern-Analyse ein wiederkehrender Bestandteil der Research-Governance oder bleibt sie ein Side-Tool für Spezialfälle. Die Antwort entscheidet darüber, ob sich der Aufwand für Schema, KI-Setup und Integration wirklich lohnt. Ich arbeite deshalb mit einem klaren Governance-Rahmen, der Rollen, Schwellenwerte und Dokumentationspflichten definiert. Ab welcher Kombination von Kategorie und Auslösergruppe wird ein internes Eskalationsformat angestoßen. Wer dokumentiert abweichende Einschätzungen zwischen Modellvorschlag und Analystenurteil. Wie werden Anpassungen am Datenschema festgehalten. Dieser Rahmen schafft keine Sicherheit im mathematischen Sinn, aber er macht Entscheidungen nachvollziehbarer. Wenn in einem Jahrgang kritische Textsignale übersehen wurden, lässt sich später rekonstruieren, wo die Kette gerissen ist. Ergebnisse können voneinander abweichen, und sie werden es. Genau deshalb ist es hilfreich, wenn der Weg von der Fußnote zur Entscheidung nicht nur im Kopf, sondern auch im Datenmodell sichtbar bleibt.

Kontakt aufnehmen