„Problem-Pull statt Technology-Push“
Nach dem Hype der letzten Jahre um künstliche Intelligenz erleben wir derzeit eine erste Phase der Ernüchterung: Die Prognosen werden bescheidener und die Sorge vor einer KI-Blase wächst. Immer mehr Studien zeigen, dass die technologischen Sprünge, die durch neue Sprachmodelle erreicht wurden, allein nicht ausreichen, um Kapitalrendite oder nachhaltigen Mehrwert zu garantieren. Unsere Erfahrungen bestätigen dieses Bild. Wir haben daher den Beratungsansatz „Problem-Pull statt Technology-Push“ entwickelt, der die fachlichen und prozessualen Herausforderungen unserer Mandanten in das Zentrum jeglicher digitalen Transformationsfragen stellt. Der Einsatz von KI sollte nie Selbstzweck sein; sie kann, muss aber nicht das richtige Werkzeug für einen konkreten Anwendungsfall sein.
Vom Problem zur Lösung: Die Notwendigkeit dualer Expertise
Erfolgreiche KI-Implementierung entsteht an der Schnittstelle von Fachexpertise und technologischer Kompetenz. Unser Grundprinzip: Jedes Mandantenproblem wird konsequent sowohl fachlich als auch technologisch analysiert.
Fachlich tragen Steuer- und Rechtsexperten die Verantwortung und prüfen regulatorische Anforderungen, steuerrechtliche Risiken und die Integration in bestehende Compliance-Systeme. Sie identifizieren neuralgische Punkte in der Wertschöpfungskette.
KI-Experten beurteilen Datenqualität, KI-Methoden, Implementierungsaufwände und technische Risiken – im Dialog mit den Fachexperten.
Diese duale Analyse verhindert systematisch zwei häufige Fehlentwicklungen: Sowohl technologiegetriebene, fachlich unpräzise Lösungen als auch fachlich überzeugende Konzepte, deren technische Komplexität die Wirtschaftlichkeit untergräbt.
Die Qualifizierung der Anwendungsfälle oder: Auf welche Frage ist KI die richtige Antwort?
Der häufigste Schwachpunkt vieler KI-Initiativen liegt nicht im KI-Modell, sondern im Anwendungsfall. Viele KI-Projekte scheitern, weil der Use Case ungeeignet ist oder das fachliche Problem nicht präzise in die richtige, technisch zu lösende Aufgabenstellung übersetzt wurde.
Bevor in die konkrete Umsetzung investiert wird, sollten deshalb eine strukturierte Bewertung des Anwendungsfalls in mehreren Dimensionen erfolgen:
Fachlich: Geschäftsrelevanz (messbarer Nutzen, ROI), Fehlertoleranz (Konsequenzen von Fehleinschätzungen), Erklärbarkeit für Audits und Compliance sowie das Mengengerüst (Skalierungsanforderungen)
Technisch: Art des KI-Problems (Klassifikation, Extraktion, Suche etc.), Datenverfügbarkeit und -qualität, Systemkontext und Schnittstellen
Prozessual: Aufdecken geeigneter Stellen im digitalisierten Prozess für die Einbindung menschlicher Expertise (native Integrationsmöglichkeiten von Human-in-the-Loop), Anschlussfähigkeit an bestehende Systeme, Akzeptanz im Fachbereich und regulatorische Rahmenbedingungen
In aller Kürze: Diese systematische Bewertung trennt erfolgversprechende Projekte von solchen, die zum Scheitern verurteilt sind. Use Cases, die hohe fachliche Relevanz mit technischer Machbarkeit und praktikabler Prozessintegration verbinden, werden priorisiert – alle anderen, egal wie technologisch beeindruckend – sollten zurückgestellt werden.
„Viele KI-Projekte scheitern, weil der Use Case ungeeignet ist oder das fachliche Problem nicht präzise [...] übersetzt wurde.“
Holger Maier
Geschäftsführer FGS Digital GmbH
In drei Phasen vom Problem zur Lösung
Phase 1: Problemverständnis vor Technologieauswahl
Vor der Auswahl konkreter Anwendungsfälle für eine KI-Modellierung sollte das tiefe Verständnis des fachlichen Problems stehen: Welche Prozesse sind betroffen? Gibt es Ineffizienzen? Wie lässt sich das zugrundeliegende Problem abstrahieren und technisch beschreiben? In interdisziplinären Workshops mit Fachabteilung, IT und Management wird das Problem auf diese Weise schrittweise erschlossen.
Erst danach folgt die entscheidende Frage: Ist KI für dieses Problem das richtige Werkzeug? Die Antwort darf „Nein“ lauten. In anderen Worten: Technologie folgt dem Anwendungsfall, niemals umgekehrt.
Phase 2: Co-Design der Lösung
Im nächsten Schritt entwickeln Fach- und KI-Experten gemeinsam die Lösung. Steuerrechtsexperten klären Fragestellungen, die sich aus der Analyse ergeben haben. Sie definieren fachliche Outputs, Qualitätskriterien und bilden die steuerrechtlichen Anforderungen in der Lösung ab. KI-Experten übersetzen diese Inhalte anschließend in technische Anforderungen, produktive Software und lernfähige KI-Systeme.
Phase 3: Die Maschine lernt mit dem Menschen
Voll automatisierte KI-Lösungen sind im Steuer- und Rechtsbereich selten sinnvoll. Die Komplexität und die regulatorischen Anforderungen erfordern menschliche Teilhabe (Human-in-the-Loop Ansatz): Das KI-System liefert dabei Indikationen, die finale Entscheidung bleibt jedoch bei den Fachexperten. Ihr Feedback und Umgang mit den Indikationen fließen kontinuierlich in die Verbesserung des KI-Systems ein.
„Die Antwort auf die Frage ‚Ist KI für dieses Problem das richtige Werkzeug?‘ darf ‚Nein‘ lauten. Technologie folgt dem Anwendungsfall, niemals umgekehrt.“
Paul Rinckens
Director AI
Die wichtigsten Erfolgsfaktoren für nachhaltige KI-Implementierungen
Aus dieser Fallstudie und weiteren Projekterfahrungen lassen sich zentrale Erfolgsfaktoren für KI-Projekte ableiten:
1. Fachliche Verantwortung statt IT-Dominanz
KI-Anwendungen müssen von Fachabteilungen geführt werden – im Quellensteuerbeispiel behielt die Steuerfunktion stets die Führungsrolle. Sie definierte Anforderungen, validierte Ergebnisse und entschied über die Integration.
2. Datenqualität als Fundament
Ohne gepflegte Stammdaten, konsistente Inputdaten und verknüpfte Systeme bleibt selbst das beste Modell wirkungslos. Oft ist der erste Schritt nicht das Modelltraining, sondern die Verbesserung der Datenqualität.
3. Iteratives Lernen als Prinzip
KI-Projekte benötigen Geduld für Lernschleifen. Erst durch konsequente Rückmeldung aus der Praxis und wiederholte Trainingszyklen entsteht ein belastbares Produkt.
4. Von der Pilotfalle zur produktiven Skalierung
Viele KI-Pilotprojekte sind schnell gebaut und funktionieren in Isolation, werden aber nie produktiv in die Systemlandschaften eingebunden. Für eine KI-Lösung mit messbarem Mehrwert sollte der gesamte Systemkontext bereits bei der Auswahl des Anwendungsfalls berücksichtigt werden.
5. Organisatorische Verankerung
Erfolgreiche Implementierungen verstehen KI als strategische Initiative mit Unterstützung des Top-Managements, nicht als IT-Projekt.
Ausblick und Schlussfolgerung: Werkzeug, kein Selbstzweck
Das Fallbeispiel der KI-basierten Quellensteueranalyse illustriert den vorgestellten Ansatz in der Praxis. Die daraus abgeleiteten Prinzipien – duale Analyse, strukturierte Use-Case-Qualifizierung, iteratives Vorgehen, Human-in-the-loop – lassen sich auf zahlreiche weitere Herausforderungen im Steuer- und Rechtsbereich (z.B. gewerbesteuerliche Hinzurechnung, E-Invoicing, Transfer Pricing) übertragen.
Die zentrale Erkenntnis: KI ist ein Werkzeug, kein Selbstzweck. Erfolgreiche Implementierungen entstehen durch methodische Disziplin, tiefes Prozessverständnis und konsequente Fokussierung auf reale Mandantenprobleme. Nicht die Technologie entscheidet über Erfolg, sondern die Qualität des Problemverständnisses und die Professionalität der Umsetzung.
Dieser Beitrag erschien zuerst im Börsenzeitung SPEZIAL Wirtschaftskanzleien am 2. Dezember 2025