Research Insights
Wenn Modelle eigene Vorlieben haben: Bias, Governance und laufende Kontrolle in KI-gestützter Going-Concern-Analyse
Autor Jonas Weber
18. Oktober 2026
Drei Bias-Zonen, die ich in KI-gestützter Going-Concern-Analyse immer wieder sehe
Früher dachte ich, Bias sei vor allem ein menschliches Thema. Müdigkeit, Vorurteile, Lieblingsbranchen – all das schlich sich in meine Einschätzung von Going-Concern-Hinweisen ein, wenn ich spätabends noch im Anhang las. Dann kam KI ins Spiel, und plötzlich hatten meine Modelle eigene Vorlieben: bestimmte Formulierungen wurden systematisch als kritischer eingestuft, andere glattgebügelt. Heute weiß ich: Der Sprung von rein manueller zu KI-gestützter Analyse löst das Bias-Problem nicht, er verschiebt es. Aus individuellen Neigungen werden kollektive Muster, aus spontanen Fehlgriffen werden wiederholbare Verzerrungen. Die gute Nachricht: Gerade weil die Modelle konsequent sind, lassen sich ihre Schieflagen sichtbar machen – wenn ich bereit bin, genauer hinzusehen. In diesem Beitrag gehe ich drei typische Bias-Zonen durch, die ich in KI-gestützter Going-Concern-Analyse immer wieder sehe. Sprachliche Verzerrungen, Datenlücken und Governance-Fallen. Ich nutze Gedankenexperimente statt bunter Versprechen und zeige, wie ich mit klaren Regeln, Tests und Dokumentation arbeite, damit die Modelle Scheinwerfer bleiben und nicht heimlich zum Richter werden. Ergebnisse können variieren, und genau das nehme ich ernst.
Sprachliche Lautstärke vs. inhaltliches Signal trennen
Ich beginne gern mit einem einfachen Gedankenexperiment. Zwei Unternehmen, ähnliche Kennzahlen, ähnliche Situation. Das eine berichtet in nüchternem, knappem Stil, das andere in ausführlichen, fast literarischen Formulierungen. Beide beschreiben Refinanzierungspläne und Unsicherheiten rund um Covenants. Ein ungeprüftes KI-Modell reagiert häufig stärker auf die Lautstärke der Sprache als auf den Inhalt. Drastische Adjektive, lange Sätze, häufige Verweise auf Unsicherheit können dazu führen, dass ein Bericht systematisch als riskanter eingestuft wird, obwohl die Faktenlage vergleichbar ist. Umgekehrt rutschen knappe, technisch gehaltene Beschreibungen leichter durch das Raster. Ich teste deshalb gezielt auf sprachlichen Bias. In einer „Sprachtausch“-Übung lasse ich sinngleiche Passagen mit unterschiedlicher Tonalität bewerten und vergleiche die Kategorien. Wo das Modell stark ausschlägt, justiere ich. Entweder über feinere Labels für Tonalität oder über klare Regeln, wann menschliche Reviews Pflicht sind. So lerne ich, zwischen Inhalt und Stil zu unterscheiden, statt mich von dramatischer Sprache treiben zu lassen.
Ungleiche Datenlandschaften bewusst machen
Die zweite Bias-Zone versteckt sich oft im Offensichtlichen: ungleiche Datenbasis. Manche Branchen veröffentlichen lange Anhänge mit detaillierten Going-Concern-Hinweisen, andere beschränken sich auf wenige, standardisierte Sätze. Wenn ich ein Modell vor allem mit reichhaltigen Texten trainiere, lernt es diese Muster besser und übersieht subtilere Signale in knapperen Berichten. Ich denke mir dazu gern eine Landkarte. Auf manchen Feldern wimmelt es vor Datenpunkten, auf anderen klaffen Lücken. Wenn ich dann ein einheitliches Urteil von der KI erwarte, täusche ich mich selbst. Das Modell kann nur auswerten, was es gesehen hat, und neigt dazu, vertraute Muster zu bevorzugen. Um diesen strukturellen Bias zu entschärfen, arbeite ich mit expliziten Datenprofilen. Für jede Branche und jede Berichtstradition erfasse ich, wie umfangreich und detailliert Going-Concern-Offenlegungen typischerweise sind. Diese Profile fließen als Metadaten in die Auswertung ein. Sie ersetzen keine Einschätzung, helfen mir aber, Ergebnisse im Kontext zu lesen und bei dünner Datenlage schneller einen menschlichen Review zu erzwingen.
Governance so bauen, dass Bias sichtbar bleibt
Die dritte Bias-Zone entsteht dort, wo Governance auf Modelllogik trifft. Wenn ich Schwellenwerte zu hart ziehe, zwinge ich die KI in Schwarz-Weiß-Muster, die der Realität von Unternehmensfortführung nicht gerecht werden. Zu weiche Regeln dagegen führen dazu, dass kritische Signale im Grundrauschen untergehen. Ich arbeite deshalb mit einem mehrstufigen Ampelsystem, das bewusst Graubereiche zulässt. Zwischen „unkritisch“ und „hoch kritisch“ gibt es Zwischenstufen, die explizit einen Dialog auslösen sollen. Für jede Stufe definiere ich, wer sie sehen muss, wer kommentieren soll und wie Abweichungen zwischen Modellvorschlag und Analystenurteil dokumentiert werden. So entsteht eine Governance, die Bias nicht aus der Welt schafft, ihn aber sichtbar macht. Wenn ein Team immer wieder Modellbewertungen nach oben oder unten korrigiert, ist das ein Signal. Entweder muss das Modell nachjustiert werden, oder die internen Maßstäbe sind nicht klar genug. In beiden Fällen hilft mir die Dokumentation, statt sich auf ein diffuses Bauchgefühl zu verlassen. Past performance doesn't guarantee future results, aber saubere Protokolle helfen, aus früheren Entscheidungen zu lernen.
Modellvalidierung als Dauertest: Wie ich Bias laufend im Blick behalte
Früher fühlte sich Modellvalidierung für mich an wie eine Prüfung, die man einmal besteht und dann zu den Akten legt. Heute sehe ich sie eher wie einen Dauertest im Hintergrund – ein Monitoring, das laufend prüft, ob sich die KI in sensible Richtungen verschiebt. Gerade bei Going-Concern-Offenlegungen, wo kleine Textsignale große Diskussionen auslösen können, will ich nicht von einer alten Momentaufnahme leben. Der Übergang von statischer zu laufender Validierung verändert die Rolle des Research-Teams. Ich bin nicht mehr nur Nutzer eines Modells, sondern Mitgestalter eines Systems, das sich mit jedem Bericht weiterentwickelt. Das klingt groß, beginnt aber mit kleinen, konsequenten Routinen: Stichproben, Vergleichssets, Dokumentation von Abweichungen. In diesem Abschnitt gehe ich durch drei Bausteine, die sich in meinem Alltag bewährt haben. Gedankliche Referenzfälle, kontrollierte Gegenproben und klar definierte Eskalationspfade. Sie helfen mir, Bias nicht nur zu entdecken, sondern auch einzuordnen und mit den richtigen Leuten zu besprechen, bevor er sich in Research-Prozessen festsetzt.
Referenzfälle als gedanklichen Kompass pflegen
Ein Modell ohne Referenz fühlt sich für mich an wie ein Kompass ohne Norden. Deshalb arbeite ich mit gedanklichen Referenzfällen – Unternehmen und Situationen, bei denen im Team ein breiter Konsens über die Einschätzung der Going-Concern-Signale besteht. Diese Fälle dienen nicht als Wahrheit, sondern als Prüfstein. Ich lasse das Modell regelmäßig über diese Referenzberichte laufen und vergleiche die Ergebnisse mit der dokumentierten Einschätzung. Weichen die Kategorien plötzlich deutlich ab, ist das ein Alarmsignal. Vielleicht hat sich die Trainingsbasis verschoben, vielleicht wurden Regeln angepasst, ohne dass die Folgen klar waren. Wichtig ist, diese Referenzen aktuell zu halten. Märkte verändern sich, Berichtspraxis wandelt sich, neue Unsicherheiten tauchen auf. Ich plane deshalb feste Zeitpunkte ein, an denen Referenzfälle überprüft und bei Bedarf ausgetauscht werden. So bleibt der Kompass kalibriert, ohne sich an vergangene Muster zu klammern.
Gegenproben bauen, statt nur Einzelfälle zu prüfen
Neben Referenzfällen nutze ich bewusst Gegenproben. Ich stelle mir dazu Paare von Situationen vor, die sich in einzelnen Dimensionen ähneln, in anderen aber klar unterscheiden. Zwei Unternehmen mit vergleichbarer Liquiditätssituation, aber sehr unterschiedlicher Offenlegungstiefe. Oder umgekehrt: ähnliche Sprache, aber andere Zahlenbasis. Diese Paare lasse ich vom Modell bewerten und schaue mir an, wo es stärker reagiert. Dreht es vor allem an der Textschraube oder an den Metadaten. Werden bestimmte Branchenmuster überbetont. Solche Gegenproben decken Bias-Muster auf, die im Alltag leicht untergehen, weil jedes Unternehmen für sich betrachtet plausibel wirkt. Die Ergebnisse dieser Tests fließen zurück in Regeln und Schwellenwerte. Manchmal passe ich Kategorien an, manchmal markiere bestimmte Kombinationen explizit als „Review-pflichtig“. Wichtig ist mir, dass diese Anpassungen nachvollziehbar bleiben. Jede Änderung bekommt einen Eintrag in einem einfachen Änderungslog – mit Datum, Begründung und Beteiligten. So kann ich später nachvollziehen, warum sich das Verhalten des Modells in bestimmten Bereichen verändert hat.
Eskalationspfade für Bias-Verdachtsfälle etablieren
Der dritte Baustein klingt trocken, ist aber entscheidend: klare Eskalationspfade. Wenn ein Analyst einen Bias-Verdacht hat, darf das kein loses Schulterzucken bleiben. Es braucht einen definierten Weg, wie solche Beobachtungen gesammelt, bewertet und in Modell- oder Governance-Anpassungen übersetzt werden. Ich arbeite dafür mit einem einfachen Stufensystem. Erste Stufe: Beobachtung dokumentieren, inklusive Beispielpassagen und Kontext. Zweite Stufe: fachliche Diskussion im kleinen Kreis, oft zwischen Research, Risk und jemandem aus dem technischen Team. Dritte Stufe: Entscheidung, ob und wie das Thema in Regeln, Schwellenwerten oder Schulungsmaterialien reflektiert wird. Dieser Weg ist kein bürokratischer Selbstzweck. Er verhindert, dass einzelne Bias-Fälle entweder dramatisiert oder weggewischt werden. Stattdessen entsteht eine nachvollziehbare Spur von Hinweisen, Entscheidungen und Anpassungen. Ergebnisse können variieren – und genau deshalb ist es hilfreich, wenn der Umgang mit diesen Variationen selbst strukturiert ist.
Wenn Modelle Vorlieben entwickeln: Wie ich Bias in KI-gestützter Going-Concern-Analyse erkenne und in Governance übersetze
Früher habe ich KI in Diskussionen über Going Concern oft als technisches Add-on präsentiert. Ein Werkzeug, das man dazu nimmt, wenn Zeit und Budget es erlauben. Mittlerweile sehe ich sie eher als Spiegel. Sie zeigt mir, wo meine Prozesse klar sind – und wo sie Lücken haben, die durch Bias verstärkt werden können. Der Schritt von der Spielwiese zum integrierten Bestandteil der Governance beginnt im Kopf. Wenn ich Modelle als Partner in einem strukturierten Entscheidungsprozess betrachte, stelle ich andere Fragen. Nicht mehr: Ist das Ergebnis richtig. Sondern: Passt das Verhalten des Systems zu unseren Regeln, Rollen und Dokumentationspflichten. In diesem letzten Abschnitt geht es deshalb nicht um neue Technik, sondern um Haltung. Wie spreche ich im Team über Modellgrenzen. Wie mache ich Unsicherheit sichtbar, ohne Panik zu erzeugen. Und wie halte ich fest, dass KI-Ergebnisse keine Versprechen sind, sondern Signale, die im Lichte neuer Informationen immer wieder neu bewertet werden müssen.
KI als Signallampe, nicht als Versprechen rahmen
Ein zentrales Missverständnis in vielen Gesprächen: die Erwartung, dass KI-gestützte Analyse mehr Sicherheit bringt, als der Gegenstand hergibt. Gerade bei Going-Concern-Offenlegungen ist das gefährlich. Die Zukunft bleibt unsicher, Texte spiegeln nur einen Ausschnitt davon. Ich spreche deshalb offen darüber, dass auch sehr gut abgestimmte Modelle keine Verlässlichkeit im Sinne einer festen Zusage liefern. Sie helfen, Muster zu erkennen, erleichtern Vergleiche und machen Signale sichtbar, die sonst im Anhang verschwinden würden. Aber sie nehmen niemandem die Pflicht ab, diese Signale kritisch zu hinterfragen. In jeder Präsentation zu KI-Auswertungen baue ich bewusst einen Satz ein: Past performance doesn't guarantee future results. Er erinnert daran, dass historische Textmuster und bisherige Erfahrungen nicht automatisch auf kommende Entwicklungen übertragbar sind. Wer das akzeptiert, nutzt KI als analytisches Instrument – nicht als Orakel.
Bias-Diskussionen als festen Teil der Teamkultur etablieren
Bias-Arbeit ist kein Nebenprojekt, das man einmal abhakt. Sie ist ein Teil der Kultur. Wenn ich möchte, dass Teams Verzerrungen ernst nehmen, muss ich Räume schaffen, in denen Zweifel willkommen sind. Dazu gehören Formate, in denen Analysten Beispiele zeigen können, ohne sich rechtfertigen zu müssen, warum sie dem Modell widersprechen. Ich erlebe, dass gerade diese Diskussionen die stärksten Lerneffekte bringen. Warum empfindet jemand eine Passage als kritischer, obwohl das Modell sie neutral einordnet. Liegt es an Erfahrung, an Kontextwissen, an einem blinden Fleck im Datenschema. Solche Gespräche führen oft zu Anpassungen, die weit über einzelne Fälle hinauswirken. Wichtig ist, dass diese Kultur nicht informell bleibt. Ich halte in kurzen Leitlinien fest, wie mit Widerspruch umgegangen wird, welche Dokumentation erwartet wird und wer in Zweifelsfällen entscheidet. So wird aus gelebter Praxis ein Teil der Governance – nachvollziehbar, überprüfbar und anschlussfähig für neue Teammitglieder.
Den Scheinwerfer bewusst steuern: ein Fazit
Am Ende kehre ich zu einem einfachen Bild zurück: KI in der Going-Concern-Analyse ist ein zusätzlicher Scheinwerfer auf einer ohnehin komplexen Bühne. Er kann Ecken ausleuchten, die vorher im Schatten lagen. Er kann aber auch blenden, wenn er falsch ausgerichtet ist. Für mich liegt die Kunst darin, diesen Scheinwerfer bewusst zu steuern. Mit klaren Regeln, regelmäßigen Tests und einer Kultur, die Zweifel zulässt. Ergebnisse können variieren, und sie werden es. Gerade deshalb ist es hilfreich, wenn der Weg von der Offenlegung im Anhang bis zur internen Diskussion nicht nur technisch, sondern auch inhaltlich gut dokumentiert ist. So entsteht ein Setup, in dem KI weder Heilsversprechen noch Feindbild ist. Sie wird zu einem Werkzeug, das Research-Teams dabei unterstützt, komplexe Signale zur Unternehmensfortführung strukturierter zu sehen – ohne zu vergessen, dass jede Einschätzung unter Unsicherheit steht und immer wieder neu überprüft werden sollte.