Ich erinnere mich gut an Zeiten, in denen ich mir Hunderte Seiten Anhang mit Textmarkern vorgenommen habe. Jede Fußnote, jeder Halbsatz zur Unternehmensfortführung konnte entscheidend sein. Das war langsam, fehleranfällig und ehrlich gesagt auch mental ermüdend. Heute sitze ich vor einem Dashboard. Dasselbe Dokument, aber die relevanten Passagen sind vorstrukturiert, farblich markiert, nach Themenclustern sortiert. Der Kern bleibt gleich: Ich muss beurteilen, wie ernst die Signale sind. Aber der Weg dorthin hat sich deutlich verändert. Der Bruch liegt in der Vorarbeit. Früher war sie rein manuell. Jetzt übernimmt ein mehrstufiges KI-System die erste Schicht: Es durchsucht Berichte, Prüfungsurteile und Managementkommentare nach sprachlichen Mustern, die typischerweise auf Going-Concern-Fragen hinweisen. Es erkennt nicht nur Schlagworte, sondern auch Formulierungen, die auf Unsicherheit, Covenants, Refinanzierungsbedarf oder Abhängigkeit von Unterstützungszusagen deuten. Die Transformation besteht für mich darin, dass ich meine Zeit nicht mehr mit Suchen, sondern mit Einordnen verbringe. Ich kann Szenarien durchspielen, statt mich zu fragen, ob ich irgendwo im Anhang einen kritischen Satz überlesen habe. Trotzdem bleibt eine Sache unverändert wichtig: Die Modelle liefern Vorschläge, keine Urteile. Ich nutze sie als Scheinwerfer, nicht als Richter.

Ich denke immer in drei Stufen, wenn ich das System erkläre. Wir nennen das intern den Pfad „Finden – Verstehen – Strukturieren“. Klingt simpel, aber unter der Haube steckt einiges an Feinmechanik. Erstens das Finden. Hier kommen mehrsprachige Sprachmodelle zum Einsatz, die auf Rechnungslegungs- und Prüfungswortschatz spezialisiert sind. Sie markieren Textpassagen, die potenziell relevant sind, inklusive Kontextabsätzen. Wichtig ist, dass nicht nur offensichtliche Begriffe wie Unternehmensfortführung erkannt werden, sondern auch indirekte Hinweise, etwa zu Breach-Risiken bei Finanzkennzahlen oder Abhängigkeit von kurzfristiger Finanzierung. Zweitens das Verstehen. In dieser Schicht klassifiziert das Modell die gefundenen Passagen. Es unterscheidet zum Beispiel zwischen neutralen Bestätigungen der Fortführungsannahme, Hinweisen auf erhöhte Unsicherheit und expliziten Warnsignalen. Zusätzlich werden Auslösergruppen vergeben, etwa Liquidität, Geschäftsmodell, rechtliche Risiken oder Marktumfeld. Das ist keine Rechtsberatung, sondern eine analytische Sortierung nach inhaltlichen Mustern. Drittens das Strukturieren. Die relevanten Ausschnitte landen in einer standardisierten Datenstruktur, die sich in Research-Tools einbinden lässt. Jede Passage erhält Metadaten: Quelle im Dokument, Abschnitt, Berichtsperiode, Kategorie, Tonalität und Verknüpfungen zu Kennzahlen, sofern verfügbar. So entsteht aus verstreuten Textstellen eine konsistente Grundlage für Vergleiche über Zeit, Peer-Gruppen und Szenarien hinweg.

Am Anfang stand eine einfache Beobachtung: In vielen Teams wurde Going Concern zwar sehr ernst genommen, aber im Alltag war es ein Suchspiel. Einzelne Sätze entschieden über Risikoaufschläge oder interne Ampeln, und trotzdem hingen sie oft an der Aufmerksamkeit einer einzelnen Person. Das fühlte sich anfällig an. Die erste Entscheidung war daher, den Prozess so zu denken, dass er die bestehende Governance respektiert. Die KI sollte nicht an die Stelle des Analysten treten, sondern dessen Blick erweitern. Deshalb haben wir gemeinsam mit Research- und Risk-Teams eine Methodik entwickelt, die wir „doppelte Lesart“ nennen: Das Modell liest zuerst und markiert, der Analyst liest danach gezielt und bestätigt, relativiert oder verwirft. Diese doppelte Lesart verändert den Alltag spürbar. Analysten berichten, dass sie mehr Zeit für Szenariodiskussionen mit Kollegen haben, weil die Vorbereitung strukturierter abläuft. Statt Screenshots und gelben Markern kursieren standardisierte Exporte mit klaren Kategorien. Das senkt nicht automatisch Risiko, aber es macht Entscheidungen nachvollziehbarer. Gleichzeitig bleibt die Verantwortung klar verortet. Jedes KI-Ergebnis ist im Tool mit Quellenangabe, Modellversion und Zeitstempel versehen. So lässt sich später nachvollziehen, welche Textpassage zu welcher Einschätzung geführt hat. Für mich ist das der eigentliche Fortschritt: Nicht die Automatisierung an sich, sondern die bessere Dokumentation von Annahmen und Signalen.

Ich stelle mir gern ein Gedankenexperiment vor. Angenommen, ein Team müsste morgen erklären, wie es vor drei Jahren zu einer bestimmten Einschätzung zur Unternehmensfortführung gekommen ist. Ohne strukturierte Erfassung von Hinweisen wäre das schwierig. Man findet vielleicht noch den Bericht, vielleicht ein paar E-Mails, aber die Verbindung zwischen Textpassage, Diskussion und Entscheidung bleibt unscharf. Mit KI-gestützter Going-Concern-Analyse kann dieser Pfad klarer werden. Jede relevante Passage wird zusammen mit ihrer Einordnung und dem Zeitpunkt der Auswertung gespeichert. Analysten ergänzen ihre Kommentare direkt im System. So entsteht über die Zeit ein Archiv von Begründungsmustern, das für neue Fälle als Referenz dient, ohne vergangene Entscheidungen zu glorifizieren. Für Research-Workflows bedeutet das mehr als nur Geschwindigkeit. Es geht um Konsistenz über Analystenwechsel hinweg, um strukturierte Übergaben und um die Möglichkeit, Annahmen im Licht neuer Informationen neu zu bewerten. Die Modelle helfen, Muster zu erkennen, aber sie nehmen niemandem die Pflicht ab, diese Muster kritisch zu hinterfragen. Wichtig ist mir ein Punkt: Ergebnisse können abweichen, und sie tun es auch. Zwei Unternehmen mit ähnlichen Kennzahlen können sehr unterschiedliche Textsignale senden. Deshalb sollte jede KI-Auswertung als Ausgangspunkt verstanden werden, nicht als Schlussstein. Ergebnisse may vary, und genau dafür sind erfahrene Analysten da.

Ich würde mit einer Erwartung aufräumen: KI ersetzt keine eigene Urteilsbildung. Wer hofft, ein Modell drücke auf einen Knopf und liefere eine abschließende Einschätzung zur Unternehmensfortführung, wird enttäuscht. Und das ist auch gut so. Gerade bei Going Concern braucht es Kontext, Erfahrung und manchmal auch ein Gespür für Zwischentöne. Als Einstieg empfehle ich einen schrittweisen Ansatz. Zuerst ein klar abgegrenztes Pilotuniversum wählen, zum Beispiel eine Handvoll Branchen mit ähnlichen Offenlegungskulturen. Dann die Methodik definieren: Welche Kategorien sollen verwendet werden, wie werden Grenzfälle behandelt, wie fließen die Ergebnisse in bestehende Ratings oder Memo-Strukturen ein. Wir nutzen dafür häufig ein internes Canvas, das Fragen zu Datenquellen, Governance und Dokumentation systematisch durchgeht. Ein weiterer Erfolgsfaktor ist Transparenz gegenüber allen Beteiligten. Risk, Legal, Compliance und Revision sollten früh eingebunden werden. Nicht, um Prozesse zu verlangsamen, sondern um Klarheit zu schaffen, welche Rolle die Modelle spielen und welche nicht. Es geht um analytische Unterstützung, nicht um automatisierte Entscheidungen. Und zuletzt ein Hinweis, der mir wichtig ist: Auch mit guter Technik und sorgfältiger Implementierung bleibt jede Einschätzung zur Unternehmensfortführung mit Unsicherheit behaftet. Frühere Beobachtungen lassen sich nicht eins zu eins in die Zukunft übertragen. Past performance doesn't guarantee future results. Wer das akzeptiert, kann KI als präzises Instrument nutzen, ohne ihr mehr zuzutrauen, als sie leisten kann.