Firmenwissen in einen strategischen KI-Vorteil verwandeln

# Firmenwissen in einen strategischen KI-Vorteil verwandeln

Ein Senior Manager einer mittelgroßen Wirtschaftsprüfungsgesellschaft geht in den Ruhestand. Mit ihm geht die Erinnerung daran, wie die Kanzlei 2019 eine knifflige Frage zur Umsatzrealisierung bei einem SaaS-Mandanten gelöst hat, wo die Arbeitspapiere liegen und welcher Partner freigegeben hat. Dieses Wissen wurde nie an einer auffindbaren Stelle festgehalten. Es ist zur Tür hinausgegangen.

Jetzt multiplizieren Sie das mit jedem Abgang über zwanzig Jahre. Das sind die versteckten Kosten verstreuten Wissens, und genau das kann ein gut gebautes internes KI-System zurückholen.

Das Problem: Wissen ist da, aber nicht nutzbar

Den meisten Professional-Services-Firmen fehlt es nicht an Wissen. Sie ertrinken darin. Jahrzehnte an Mandatsakten, Memos, Steuerpositionen, Prüfungsarbeitspapieren und Mandantenkorrespondenz liegen auf Netzlaufwerken, in E-Mail-Postfächern, in einem Dokumentenmanagementsystem (DMS: die Software, die Mandantendateien speichert und versioniert) und in den KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →öpfen der Leute.

Das Problem ist der Abruf. Ein Associate im ersten Jahr, der eine Frage zur Leasingbilanzierung recherchiert, findet nicht ohne Weiteres die drei früheren Mandate, in denen die Kanzlei etwas Ähnliches bereits gelöst hat.

KI verändert die Ökonomie des Abrufs. Ein gut governtes System erlaubt diesem Associate, eine Frage in normaler Sprache zu stellen und eine Antwort zu bekommen, die auf der eigenen Vorarbeit der Kanzlei beruht, mit Verweisen auf die Quelldateien.

Aber „gut governt" trägt in diesem Satz viel Gewicht. Sind die Guardrails falsch gesetzt, leaken vertrauliche Mandantendaten, verletzen Sie Berufspflichten oder füttern das Modell mit Müll und bekommen selbstbewussten Unsinn zurück.

Wie das System tatsächlich funktioniert: RAG in einfachen Worten

Das dominierende Muster heißt RAG (Retrieval-Augmented Generation). Statt ein allgemeines KI-Modell aus dem Gedächtnis antworten zu lassen, rufen Sie zuerst relevante Passagen aus Ihren eigenen Dokumenten ab, geben diese Passagen dann an das Modell und lassen es ausschließlich auf dieser Basis antworten.

Denken Sie an eine Open-Book-Prüfung. Die KI erinnert sich nicht an Trainingsdaten. Sie liest die Dateien Ihrer Kanzlei in Echtzeit und fasst zusammen.

Der Ablauf in fünf Schritten:

1. Ingest: Dokumente aus dem DMS, von Netzlaufwerken und freigegebenen Quellen einziehen.

2. Chunking und Embedding: Dokumente in Passagen aufteilen und jede in einen numerischen Fingerabdruck („EmbeddingEmbeddingAn embedding is a numerical vector that represents data (text, images, or items) in a way that captures meaning, so similar items sit close together in space.Vollständige Definition ansehen →") umwandeln, der die Bedeutung erfasst.

3. Speichern: Diese Embeddings in einer Vektordatenbank ablegen, die nach Bedeutung suchen kann, nicht nur nach Stichwörtern.

4. Retrieval: Wenn ein Nutzer eine Frage stellt, die relevantesten Passagen finden.

5. Generation: Das Modell antwortet anhand der abgerufenen Passagen und zitiert sie.

Ein vereinfachter Retrieval-Schritt sieht so aus:

# Nutzer stellt eine Frage; System findet relevante Kanzleidokumente
query = "How did we handle SaaS revenue recognition under ASC 606?"

results = vector_db.search(
    query_embedding=embed(query),
    top_k=5,
    filters={"practice_area": "audit", "user_clearance": "manager"}
)

answer = llm.generate(question=query, context=results, cite_sources=True)

Beachten Sie die Zeile filters. In diesem einen Parameter steckt die Rechtevergabe. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → entscheidet, welche Dokumente ein bestimmter Nutzer überhaupt abrufen darf. Dazu unten mehr.

Eine klare, nicht-technische Erklärung dieser Architektur:

Datenhygiene: Müll rein, selbstbewusster Müll raus

Ein KI-System erbt die Qualität dessen, womit Sie es füttern. Professional-Services-Firmen haben drei spezifische Hygieneprobleme.

Überholte Versionen. Auf Ihren Laufwerken liegen Entwurf 1 bis Entwurf 14 desselben Memos. Ruft das System einen veralteten Entwurf mit einer Position ab, die die Kanzlei später revidiert hat, bekommt der Associate falsche Hinweise. Lösung: nur finale, freigegebene Versionen einziehen und Dokumente mit Status taggen.

Mandantenspezifische Beratung, die sich als allgemeingültig tarnt. Eine Steuerposition, die für den Sachverhalt eines Mandanten richtig war, kann für einen anderen falsch sein. Das System muss Vorarbeit als „so haben wir es in einer ähnlichen Situation gemacht" darstellen, nicht als „so lautet die Regel". Metadaten (Daten, die das Dokument beschreiben, etwa Mandant, Datum, Jurisdiktion, Practice Area) machen diese Unterscheidung möglich.

Veraltete Regulierung. Ein Memo von 2018 zitiert womöglich einen Standard, der sich seither geändert hat. Taggen Sie Dokumente mit Datum und kennzeichnen Sie alles, was auf überholte Vorgaben verweist.

Die praktische Regel: Kuratieren Sie eine governte Wissensbasis, richten Sie KI nicht auf den gesamten Fileserver. Ein kleineres, sauberes, gut getaggtes Korpus schlägt jedes Mal ein riesiges, unordentliches.

Das NIST AI Risk Management Framework ist eine kostenlose, weit verbreitete Referenz, um Datenqualität und Risiko in KI-Systemen zu durchdenken. Ein Überfliegen lohnt sich vor jedem Rollout.

Rechtevergabe: die Vertraulichkeits-Firewall

Hier werden die meisten Kanzleien nervös, und das zu Recht.

Professional Services unterliegen Verschwiegenheitspflichten. In der Wirtschaftsprüfung sind Unabhängigkeit des Prüfers und Mandantenvertraulichkeit zentrale Berufspflichten. Ein KI-System, das einem Junior im Retail-Team die sensiblen Dateien eines Industriemandanten zugänglich macht, ist kein Produktivitätswerkzeug. Es ist ein Pflichtverstoß.

Das Prinzip ist einfach: Die KI muss exakt dieselben Zugriffskontrollen respektieren wie die zugrunde liegenden Dokumente. Kann ein Nutzer eine Datei im DMS nicht öffnen, darf die KI sie für ihn weder abrufen noch zitieren noch zusammenfassen.

Praktische Mechanismen:

• Berechtigungen beim Retrieval vererben. Jedes Dokument behält seine Zugriffs-Tags. Der Filter user_clearance im Code oben setzt das zur Abfragezeit durch.
• Ethical Walls (auch Informationsbarrieren genannt): Trennung, die verhindert, dass ein Team die Daten eines anderen Mandats sieht, oft erforderlich, wenn die Kanzlei konkurrierende Mandanten betreut oder Unabhängigkeitsfragen bestehen. Das KI-System muss diese Walls einhalten.
• Audit-Logging. Festhalten, wer was gefragt hat und welche Dokumente angezeigt wurden. Das schafft Nachvollziehbarkeit und unterstützt spätere Prüfungen.

Ein nützlicher Test: Kann ein Associate nicht begründen, warum ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → ein Dokument durch direktes Öffnen sehen darf, sollte die KI es ihm ebenfalls nie zeigen. KI ist keine Abkürzung um Berechtigungen herum.

Vertraulichkeits-Guardrails: Daten in der Kanzlei halten

Zwei weitere Punkte halten Partner wach.

Wohin gehen die Daten? Nutzt Ihre Kanzlei ein öffentliches KI-Tool, müssen Sie wissen, ob Prompts und Dokumente zum Training der Modelle des Anbieters verwendet werden. Für vertrauliche Mandantenarbeit nutzen Sie Enterprise-Vereinbarungen mit vertraglichen Zusicherungen, dass Ihre Daten nicht fürs Training verwendet werden und in Ihrer Tenancy bleiben. Lesen Sie die Auftragsverarbeitungsbedingungen, nehmen Sie nichts an.

Halluzination und Überverlass. Auch ein geerdetes System kann Falsches behaupten. Das Ergebnis ist ein Ausgangspunkt, keine unterschriebene Schlussfolgerung. Bauen Sie ein:

• Quellenangaben bei jeder Antwort, mit Link zu den Quelldateien, damit der Mensch prüfen kann.
• Einen klaren Hinweis, dass Antworten eine fachliche Prüfung erfordern.
• Freigabe durch einen Menschen für alles, was an Mandanten geht oder eingereicht wird.

Die Verantwortung für die Arbeit bleibt beim Associate. Die KI bringt ihn nur schneller zum ersten Entwurf.

Der Aufbau: ein realistischer Pfad in Phasen

Versuchen Sie kein kanzleiweites Rollout am ersten Tag. Die Firmen, die Erfolg haben, fangen eng an.

Phase 1: eine Practice Area mit sauberem, hochwertigem Wissen wählen. Zum Beispiel eine bestimmte Steuerspezialisierung, in der frühere Memos gut organisiert sind und Fragen wiederkehren. Kleiner Scope heißt, Sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen das Korpus von Hand kuratieren und die Ergebnisse prüfen.

Phase 2: kuratieren und taggen. Setzen Sie einen Fachexperten darauf an, die finalen, mamaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßgeblichen Dokumente auszuwählen. Metadaten ergänzen: Mandant (oder anonymisiert), Datum, Jurisdiktion, Practice Area, Status, Clearance-Level. Das ist unglamourös und es ist das ganze Spiel.

Phase 3: Pilot mit einer kleinen Nutzergruppe. Lassen Sie erfahrene Mitarbeiter die Antworten auf Herz und Nieren prüfen. Erfassen Sie, wo das System falsch liegt oder das falsche Dokument anzeigt. Jeder Fehler verbessert die Tagging- und Retrieval-Regeln.

Phase 4: messen, dann ausweiten. Erfassen Sie eingesparte Recherchezeit, Genauigkeit der Quellenangaben und Nutzervertrauen. Weiten Sie erst auf eine neue Practice Area aus, wenn die erste zuverlässig läuft.

Der strategische Vorteil ist nicht das Modell. Ein Modell kann jeder lizenzieren. Der Vorteil ist Ihre governte, getaggte, berechtigungsbewusste Wissensbasis. Die ist proprietär, und sie verzinst sich. Jedes gut dokumentierte Mandat macht die nächste Abfrage besser.

Change Management: die menschliche Ebene

Ein technisch perfektes System scheitert, wenn Senior-Mitarbeiter kein Wissen beisteuern oder Juniors den Ergebnissen nicht trauen.

Zwei MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßnahmen helfen. Erstens: Machen Sie gute Dokumentation zum Teil des Mandatsabschlusses, damit die Wissensbasis weiter wächst. Zweitens: Seien Sie gegenüber Junior-Mitarbeitern ehrlich: Dieses Tool beschleunigt Recherche, es ersetzt kein Urteilsvermögen, und ihre Prüfung bleibt erforderlich. So formuliert folgt die Akzeptanz.

Kernpunkte

• Kuratieren, nicht abkippen. Richten Sie KI auf eine saubere, getaggte Wissensbasis mit finalen Versionen, nicht auf Ihren gesamten Fileserver. Datenhygiene ist der entscheidende Faktor.
• KI muss bestehende Berechtigungen erben. Kann ein Nutzer ein Dokument im DMS nicht öffnen, darf die KI es nie abrufen oder zusammenfassen. Ethical Walls einhalten und jede Abfrage loggen.
• Vertrauliche Daten in der Kanzlei halten. Nutzen Sie Enterprise-Verträge, die zusichern, dass Ihre Daten nicht zum Training von Anbietermodellen verwendet werden, und lesen Sie die Bedingungen, bevor Sie Mandantendateien hochladen.
• Jede Antwort braucht Quellenangaben und menschliche Freigabe. Behandeln Sie KI-Output als ersten Entwurf, den ein Profi verifiziert, nicht als finale Schlussfolgerung.
• Eng starten und auf Basis von Belegen ausweiten. Pilotieren Sie eine Practice Area mit hohem Wert, messen Sie Genauigkeit und Zeitersparnis, und skalieren Sie erst, wenn das System Vertrauen verdient hat.