banner2.jpg

Ein neues Leitbild für das Lernen in Auditing, Tax und Advisory

Prof. Dr. Julia Knopf
FoBiD Forschungsinstitut Bildung Digital - Geschäftsführende Leitung

Die Digitalisierung verändert die berufliche Bildung rasant – das ist keine neue Erkenntnis, aber immer noch stellt die Digitalisierung Unternehmen vor große Herausforderungen. Was sich gegenwärtig abzeichnet: Mit der Einführung und Nutzung standardisierter Lernmanagementsysteme ist es lange nicht getan. Die Digitalisierung erfordert von Arbeitgebern sowie Arbeitnehmer:innen neue Skills, Methoden und letztendlich auch ein neues Mindset – für Unternehmen eine große Herausforderung. Individuelle, auf die Mitarbeiter:innen abgestimmte Lernangebote oder auch differenzierte Lernmaterialien erfordern neue didaktische Konzepte, die die Möglichkeiten der Digitalisierung sinnvoll nutzen. Welche Möglichkeiten es für Auditing, Tax und Advisory gibt und warum es eine didaktische Transformation braucht – all das ist Gegenstand des Vortrags.

 

Melanie Sack, WP StB
Institut der Wirtschaftsprüfer in Deutschland e.V. (IDW)
Stellvertretende Vorstandssprecherin

Die Digitalisierung verändert sowohl die Geschäftsmodelle als auch die Prozesse in den Unternehmen. Neben einer dadurch zu beobachtenden exponentiellen Zunahme von Unternehmensdaten und einer Zunahme an Rechenkapazitäten schaffen die Möglichkeiten des Cloud-Computing die Voraussetzungen für den nächsten technologischen Schritt: den Einsatz von künstlicher Intelligenz (KI). Unternehmen erhoffen sich durch den Einsatz von KI erhebliche Wettbewerbsvorteile.

Auch den Wirtschaftsprüfern begegnet der Einsatz von KI in vielerlei Hinsicht. Zum einen bei der Abschlussprüfung, wenn die KI im zu prüfenden Unternehmen für rechnungslegungsrelevante Zwecke zu beurteilen ist. Zum anderen kann auch die Prüfung des Einsatzes von KI außerhalb der Abschlussprüfung als sog. Assurance-Dienstleistung notwendig werden, um Vertrauen in den Einsatz dieser Systeme zu schaffen. Und letztlich entwickeln Wirtschaftsprüfer auch selbst KI-basierte Assistenzsysteme, um Effizienzen in den eigenen Prozessen zu heben und um zu weiteren Erkenntnissen in ihren Prüfungs- und Beratungsleistungen zu gelangen.

Der Vortrag geht darauf ein, wie Unternehmen und Wirtschaftsprüfer auf diese Entwicklungen reagieren können und welche Rolle in diesem Zusammenhang das IDW spielen kann.

Anna Buschbeck
BDO AG - Partnerin

Durch die Digitalisierung von Unternehmensprozessen und die fortschreitende Vernetzung stehen Wirtschaftsprüfern immer mehr Daten zur Verfügung, die im Rahmen einer Jahresabschlussprüfung oder auch bei forensischen Untersuchungen zu berücksichtigen sind. Die Analyse dieser Daten, um die tatsächlich relevanten Informationen zu erkennen und keine wesentlichen zu übersehen, stellt sich als immer größere Herausforderung dar.

Hier verspricht der Einsatz von KI-basierten Tools Unterstützung Wo können diese Werkzeuge den Wirtschaftsprüfer entlasten? Und inwieweit kann sich der Wirtschaftsprüfer auf die Ergebnisse dieser Tools stützen?

 

Dr. Jana Sell
Finanzamt für Außenprüfung Bremen

Wahrscheinlichkeitstheoretische Prüfungsmethoden sind in der Wirtschaftsprüfung bereits seit Jahrzehnten etabliert. Zunehmend kommen sie auch in der steuerlichen Außenprüfung zum Einsatz. Hierbei lassen sich zwei wesentliche Ansätze unterscheiden. Zum einen wird anhand von statistischen Verteilungstests überprüft, ob bestimmte Buchführungsdaten einem erwarteten Muster entsprechen. Ein Abweichen von der erwarteten Norm gilt als erklärungsbedürftig und kann ggf. als Manipulation ausgelegt werden. Zum anderen dienen statistische Stichprobenverfahren der Überprüfung großer Datenmengen, indem durch eine begründete Auswahl und detaillierte Prüfung einer kleineren Teildatenmenge auf die Gesamtheit der Daten geschlossen wird. So soll dem Problem wachsender, nicht mehr in den einzelnen nachvollziehbaren Datenmengen begegnet werden.

Als statistisches Kriterium zur Beurteilung der Ergebnisse der Prüfungsmethoden wird – wenn auch selten explizit genannt – der sog. p-Wert als klassisches Signifikanzmaß der Statistik herangezogen. Um den p-Wert und dessen Interpretation ranken sich viele Missverstände. Für die praktische Anwendung besteht häufig der Wunsch, aus dem p-Wert eine „Manipulationswahrscheinlichkeit“ abzuleiten. Dies ist aus statistischer Sicht unzulässig und aus praktischer Sicht auch nicht notwendig. Ein grundlegendes Verständnis der Methode ist ausreichend, um Potenziale, aber auch Grenzen zu erkennen und eine falsche Terminologie zu vermeiden. Durch einen transparenten Umgang mit den Ergebnissen können PrüferInnen und Beraterschaft auf Augenhöhe diskutieren und die Finanzgerichte im Streitfall sinnvolle Entscheidungen treffen. Dabei dient die Statistik allen Beteiligten als „Schlüsselqualifikation“.

Günter Pesch und Sebastian Kiefer
DATEV eG

Erklärbare Künstliche Intelligenz (KI) hat sich zu einer Schlüsselkomponente für Black-Box Machine Learning (ML)-Ansätze in Bereichen mit hohem Bedarf an Transparenz entwickelt. Neben medizinischen Expertensystemen, die bei lebensverändernden Entscheidungsaufgaben grundsätzlich interpretierbar, transparent und nachvollziehbar sein müssen, erfordern auch andere Anwendungsdomänen wie die Finanzprüfung Vertrauen in ML. Auch für solche stark regulierten Bereiche, in denen ein Wirtschaftsprüfer Finanztransaktionen und Abrechnungen eines Unternehmens bewertet, gilt die Europäische Datenschutz-Grundverordnung (DSGVO). In diesem Forschungsbericht schlagen wir eine ML-Architektur vor, die Finanzprüfern helfen soll, indem sie anomale Datenpunkte in Abwesenheit von Ground Truth transparent erkennt. Während die Anomaliedetektion (AD) meistens überwacht durchgeführt wird, wobei modellunabhängige Erklärungen einfach angewendet werden können, ist unüberwachte AD kaum nachvollziehbar, insbesondere über verschiedene Algorithmen hinweg. In dieser Arbeit untersuchen wir, wie dies behoben werden kann: Wir beschreiben eine integrierte Architektur für unüberwachte AD, die Ausreißer auf verschiedenen Granularitätsebenen mithilfe eines Ensembles unabhängiger Algorithmen identifiziert. Darüber hinaus zeigen wir, wie modellunabhängige Erklärungen für ein solches Ensemble mithilfe von überwachter Approximation und Local Interpretable Model-Agnostic Explanations (LIME) generiert werden können. Darüber hinaus schlagen wir Techniken zur Nachbearbeitung von Erklärungen vor, die es ermöglichen, Erklärungen selektiv, empfängerabhängig und leicht verständlich zu gestalten. Kurz gesagt, unsere Architektur ebnet den Weg für eine modellunabhängige Erklärbarkeit für die Aufgabe der unüberwachten Anomaliedetektion. Sie lässt sich zudem problemlos auf andere unüberwachte ML-Probleme wie Clustering-Probleme übertragen.

Prof. Dr. Melanie Kappelmann-Fenzl
Technische Hochschule Deggendorf
Lehrgebiet Angewandte Biowissenschaften

Anders und doch ähnlich: sind Fragen in der Betriebswirtschaft und des menschlichen Körpers vergleichbar? Mit etwas Fantasie durchaus denkbar und sind die Analysemethoden beider komplexen Systeme womöglich übertragbar? Wagt man den Blick in andere Fachbereiche, erkennt man oft Parallelen, die man nicht erwartet hätte.

Die computergestützte Biologie hat sich in den letzten Jahrzehnten rasant entwickelt und wird es auch weiterhin tun, dabei ist die Analyse biologischer Sequenzen (z.B. unseres Erbguts) ein sehr wichtiger Teil der Bioinformatik geworden. Um biomedizinische Daten professionell handhaben und spezifische prognostische, prädiktive, diagnostische etc. Fragen beantworten zu können nutzt man Algorithmen, Skripte, Software-Tools, Datenbanken usw. Die Fragestellung ist primär die gleiche wie in der Wirtschaftsprüfung: Wo ist der Fehler? Gibt es eine Systematik? Hat der Fehler Allgemeingültigkeit oder ist er individuell?

Mutationen in Genen oder Bilanzierungsfehler - same same, but different!