Warum schneller nicht immer besser ist

Veröffentlicht 26. September 2026

KI liest einen Geschäftsbericht in Sekunden und klingt dabei vollkommen überzeugt. Genau das macht sie im Finanzbereich so gefährlich. Was schiefgehen kann, wo es bereits schiefgegangen ist und warum die Prüfung vor das Schreiben gehört.

← Artikel

Warum KI so überzeugend wirkt

Fragen Sie eine KI nach den Kennzahlen eines Geschäftsberichts, bekommen Sie in Sekunden eine saubere Tabelle. Kein Tippen, kein Suchen, keine müden Augen am Abend. Im Vergleich zum Abtippen wirkt das nicht nur schneller, sondern auch ordentlicher und gründlicher.

Schneller ist es tatsächlich. Das saubere Ergebnis täuscht aber. Ein Sprachmodell schlägt Zahlen nicht nach und überträgt sie auch nicht. Es formuliert die Antwort, die nach allem, was es gelesen hat, am wahrscheinlichsten ist. Meistens ist das die Zahl aus dem Bericht. Manchmal nicht, und dann sieht die Antwort trotzdem genauso fertig aus.

Dasselbe gilt für Konfidenzwerte und alle anderen Angaben, die Ihnen sagen wollen, wie verlässlich eine Zahl ist. Das Modell gibt immer die Antwort aus, die es selbst für die wahrscheinlichste hält. Am sichersten ist es sich also genau bei dem, was es sagt, ob das nun stimmt oder nicht. Ob eine Zahl richtig ist, kann Ihnen ein Konfidenzwert deshalb nie sagen.

Was dabei schiefgeht

Die Fehler sind selten offensichtlich. Meist sind sie plausibel, und gerade deshalb rutschen sie durch:

Die Zahl stammt aus der Vorjahresspalte.
Aus Tausend werden Millionen oder umgekehrt.
Erwischt wird eine Zeile mit ähnlicher Bezeichnung, etwa der Umsatz eines Segments statt des Konzerns.
Die Zahl kommt aus dem Anhang statt aus Bilanz, GuV oder Kapitalflussrechnung, oder aus der falschen der drei.
Die Zahl steht nirgends im Bericht.

Im Modell bleibt keiner dieser Fehler eine Kleinigkeit. Eine falsch gelesene Einheit, und die Bewertung liegt um den Faktor tausend daneben. Eine Vorjahreszahl, und aus Wachstum wird ein Rückgang. Unterschrieben wird das Ergebnis trotzdem von Ihnen.

Selbst die Großen trifft es

Das ist kein Problem kleiner Teams unter Zeitdruck. Seit 2025 mussten mehrere der größten Beratungsgesellschaften der Welt Berichte überarbeiten oder zurückziehen, weil eine KI Inhalte erfunden hatte:

Deloitte Australien: Ein Bericht für die australische Regierung verwies auf Forschungsarbeiten, die es nicht gibt, und auf ein erfundenes Gerichtszitat (Fortune).
KPMG Australien: In einem Bericht über agentische KI führten nur 5 von 45 Quellenangaben zu echten Quellen (City AM).
EY Kanada: Ein Bericht über Betrug bei Kundenbonusprogrammen wurde zurückgezogen, weil mehr als 70 Prozent der Quellenangaben erfunden, nicht erreichbar oder falsch waren (National Technology).
PwC Middle East: Mehrere Berichte verwiesen auf erfundene Quellen (International Accounting Bulletin).

Hier ging es um Quellenangaben, nicht um Bilanzen. Der Mechanismus ist aber derselbe, der auch eine falsche Zahl ins Modell bringt: Das Ergebnis sah fertig aus, und niemand hat es vor der Veröffentlichung mit der Quelle abgeglichen. Diese Gesellschaften haben Prüfprozesse und einen Ruf zu verlieren. Durchgerutscht ist es trotzdem.

Warum nachträgliches Prüfen nicht funktioniert

Die naheliegende Antwort lautet: Dann prüft eben jemand das Ergebnis. In der Praxis klappt das kaum. Eine KI-Antwort verrät nicht, woher eine Zahl stammt. Wer prüfen will, muss also jede Zahl im Bericht selbst wiederfinden. Das ist die komplette Arbeit, die man sich sparen wollte, und wenn die Zeit knapp wird, fällt sie als Erstes weg.

Prüfen funktioniert nur, wenn es deutlich schneller geht, als alles selbst zu machen. Und das gelingt nur, wenn die Quelle direkt neben dem Wert steht.

Warum eine Quellenangabe nichts beweist

Manche Anbieter halten dagegen, ihre KI sei verlässlich, weil sie zu jeder Zahl die Quelle angibt. Das klingt nach einem Beweis, ist aber keiner. Eine Quellenangabe zeigt nur, wo die KI die Zahl gelesen haben will. Ob das die richtige Stelle im Bericht ist und ob dort wirklich steht, was die KI behauptet, zeigt sie nicht.

Auch eine automatische Kontrolle, ob die Zahl an der angegebenen Stelle tatsächlich vorkommt, ändert daran nichts. Hat das Modell die Vorjahresspalte oder den Umsatz eines einzelnen Segments erwischt, steht die Zahl genau dort, und die Kontrolle meldet: stimmt. Sie bestätigt die falsche Antwort.

Auch modelflow zeigt die Quelle, allerdings nicht als Garantie. Sie ist dazu da, dass Sie auf einen Blick sehen, ob die KI die richtige Zahl genommen hat, und selbst entscheiden.

Hoffen oder wissen

Kein KI-Modell liest einen Bericht fehlerfrei. Unseres nicht, andere nicht, und zukünftige Modelle auch nicht. Das liegt nicht an uns, sondern an der technischen Natur der heutigen KI. Die Frage ist also, wer die falsche Zahl findet und wann.

Ein Werkzeug, das direkt in Ihr Modell schreibt, macht falsche Werte im Nachhinein zu Ihrem Problem. Sie können hoffen, dass die Zahlen stimmen, oder Sie können es wissen.

modelflow gibt Ihnen die Geschwindigkeit KI-gestützter Extraktion, unter einer Minute für viele hundert Seiten, und verlegt die Prüfung dorthin, wo sie am wenigsten kostet: sichtbar pro Feld und Seite, bevor etwas geschrieben wird.

Jeder Wert erscheint auf der Berichtsseite, von der er stammt, die Zahl ist markiert.
Stimmt ein Wert, genügt ein Tastendruck. Stimmt er nicht, klicken Sie auf die richtige Zahl.
Nichts wird automatisch übernommen, und kein Konfidenzwert entscheidet für Sie.
In die Arbeitsmappe kommt nur, was Sie freigegeben haben, und zu jedem freigegebenen Wert bleibt die Quellseite im Änderungsprotokoll.

Ein richtiger Wert ist ein Tastendruck, eine falsche Zahl ein Klick, ein paar Sekunden statt stundenlangem konzentriertem Abtippen. Und jede Zahl in Ihrem Modell hat ein Mensch gesehen. Wie sich modelflow von den anderen Wegen unterscheidet, zeigt der Artikel Wie man Excel mit Zahlen aus Finanzberichten füllt.