Assistenten der Berater

Zurzeit erleben wir einen KI-Hype, man könnte sogar sagen „KI ist das neue Bio!“. Andererseits darf man nicht vergessen, dass die KI-Forschung seit Jahrzehnten sich stetig weiterentwickelt und in jüngster Zeit bahnbrechende technische Erfolge erzielt hat. Ein erster Höhepunkt ist Ende der 1980er-Jahre zu verzeichnen, der durch den Sieg der von IBM entwickelten Maschine Deep Blue im Schachspiel gegen den damals amtie­renden Weltmeister Garri Kasparow erklärt werden kann. Ein zweiter Höhepunkt kann auf das Jahr 2001 datiert werden: In diesem Jahr hat Professor Wolfgang Wahlster, technisch-wissen­schaft­licher Direktor und Vorsitzender der Geschäftsführung des Deutschen Forschungs­zentrums für Künstliche Intelligenz (DFKI), für sprachverstehende Computer als Dialog- und Über­setzungs­assis­tenten den deutschen Zukunftspreis gewonnen, der ihm vom damaligen Bundespräsidenten Johannes Rau überreicht wurde. Begleitet durch den Sieg von AlphaGo, einer von Google Deep- Mind entwickelten Maschine, die führende Go-Meister geschlagen hat, bahnt sich gerade eine dritte Welle der öffentlichen Aufmerksamkeit an künstlicher Intelligenz an, welche die beiden vorherigen Wellen an Stärke erheblich übertrifft.

Digitalisierung und KI

Begleitet werden die aktuellen Entwicklungen um die künstliche Intelligenz von einer Digitalisierung. Datenspeicher, Prozessoren und Netzwerke sind in hohen Leistungs­klassen kostengünstig verfügbar, sodass nicht nur ausgewählte, stark strukturierte Daten von Maschinen erfasst, digital verarbeitet und nutzbar gemacht werden können. Vielmehr werden neben den strukturierten Daten auch Texte, Bilder, Fotos, Videos, Musik, Sprache und vieles andere mehr maschinell erschließbar. Mit anderen Worten: Sämtliche Informationen, die ein Mensch mit seinen Sinnen über die äußere Welt wahrnehmen kann, können mithilfe von Sensoren digital erfasst werden. Die Digi­tali­sierung bildet damit eine wichtige Voraussetzung, um künstliche Intelligenz nutzen zu können.

Verlauf der Entwicklung

Die Entwicklung der KI verlief in vier Phasen mit unterschiedlichen Intelligenzgraden. Bis 1970 waren heuristische Systeme im Einsatz, die mit oft eher mutmaßenden Schluss­folgerungen arbeiteten. Bis etwa 1990 sprach man von wissensbasierten Systemen für maschinelles Wissensmanagement. Danach kamen bis 2010 die lernenden Systeme für maschinelles Lernen auf Basis von Massendaten. Nun entstehen sogenannte kognitive Systeme, die lernfähig sind. Beim Wandel von programmierten Systemen zu selbst­lernenden bestehen unterschiedliche Entwicklungs- und Nutzungs­engpässe. Die ent­scheiden­den Parameter sind hier der Entwicklungs- beziehungs­weise Pflegeaufwand sowie die Erklärungs­fähigkeit. Bei den frühen Computer­­program­men war der Pro­gram­mierer selbst der Engpass. Wegen ihm war der Entwicklungsaufwand hoch, die Adaption regelmäßig aufwendig und auch die Erklärungs­fähigkeit gering. In der Phase der Wissens­verarbeitung war die Wissensbasis das Problem. Auch hier waren Ent­wick­lungs- und Pflege­aufwand hoch, die Erklärungs­fähigkeit aber bereits gut. In der Phase des maschinellen Lernens sind die Trainingsdaten der Flaschenhals. Zwar ist der Entwicklungsaufwand gering und die Datenbasis leicht anzupassen, aber dafür die Erklärungs­fähigkeit häufig noch schlecht. Die Hoffnung an sogenannte kognitive Systeme ist, dass sämtliche Engpässe vorheriger Systemklassen behoben sind. KI-Systeme sind dann lernfähig, selbstoptimierend und -heilend, kooperativ und können zusammenarbeiten; sie sind selbst­erklärend und arbeiten vollständig autonom.

Training der Systeme und Deep Learning

Klassisches maschinelles Lernen erfolgt regelbasiert mit festgelegten Definitionen, was etwa anhand der Klassifikation eines schlechten Apfels aufgezeigt werden kann. Notwendige Regeln sind hier: Ein Apfel ist schlecht, 1. wenn er braune Flecken hat, 2. wenn er Runzeln hat, 3. wenn er braun ist und so weiter. Auf Basis dieser Regeln können maschinelle Systeme schlechte von guten Äpfeln unterscheiden. Nachteile der regelbasierten Modelle sind, dass häufig präzise Regeln sehr schwer zu formulieren und fast nie vollständig sind. Deep Learning ist demgegenüber ein komplexer Ansatz zum maschinellen Lernen, der für das Bildverstehen am Beispiel eines Autounfalls erläutert werden kann. Die Basis sind hier Netzwerke aus mehreren Schichten merkmals­erken­nender Neuronen. In einer ersten Abstraktionsstufe wird ein Szenen- und Objektmodell gebildet, etwa ein Unfall auf der Landstraße. Dann folgt die Szeneninterpretation über weitere Schichten, in denen mehrere Pkw, ein Haltestellenschild oder ein Polizei­fahrzeug erkannt werden. In der nächsten Schicht kommen dann bewegte Körper in Form von Szenenelementen und Objektteilen hinzu, zum Beispiel die Fahrbahn, eine Radkappe oder eine Heckleuchte. Schließlich folgt eine Schicht der korrespondierenden Bildelemente, bestehend aus Kanten oder markanten Punkten, etwa eine grüne Fläche im Hintergrund oder eine Linie auf der Fahrbahn. All diese Faktoren fließen über die Eingabeschicht nacheinander zusammen und werden dann in der Ausgabeschicht zusammengefasst als konkreter Sachverhalt detailliert dargestellt. Je mehr verdeckte Schichten ein Deep-Learning-Netz besitzt, desto mehr kann es abstrahieren und subtile Zusammenhänge erkennen.

Einsatzpotenziale im Steuerbereich

Eine vom DFKI gemeinsam mit der Steuer­beratungs­gesell­schaft WTS durchgeführte Innovationsstudie hat ergeben, dass sich An­wen­dungs­möglich­keiten von KI-Tech­no­lo­gien durch sämtliche Steuerbereiche, angefangen bei der Lohnund Umsatzsteuer über den Zoll bis hin zu Verrechnungspreisen, ziehen. Gleichzeitig liegt ein Einsatz­schwer­punkt zurzeit in der Steuer­dekla­ration und weniger in der Steuer­gestal­tung und Steuer­durch­setzung, obwohl auch dort Anwendungen zukünftig denkbar werden. Aus technischer Perspektive sind Einsatzmöglichkeiten grob in daten- und sprachbasierte Anwendungen zu unterscheiden. Steuerrelevante Massendaten, wie sie im Rahmen der Umsatzsteuer und im Zoll anfallen, können mit KI-Techniken analysiert werden, um steuerlich relevante Compliance-Verstöße oder ungewöhnliche Buchungen der Umsatz­steuer im Kontenplan der Unternehmung aufzudecken. Das Besondere an diesen Verfahren ist dabei unter anderem auch, dass entsprechende Regeln nicht vorab bekannt sein müssen, sondern erst durch die KI-Technik aufgedeckt werden können. Prominente sprachbasierte Anwendungen sind beispielsweise die aus dem privaten Umfeld bekannten Chatbots, die hinsichtlich relevanter Steuerfragen trainiert werden können. Derartige sprachbasierte Systeme sind für einfache Routineanfragen heute schon realisierbar. Ob derartige Anwendungen auch zur Unternehmenskultur passen oder – allgemeiner formuliert – gesellschaftlich akzeptiert werden, ist eine andere Frage. Andererseits ist es denkbar, dass in naher Zukunft die unterlassene Anwendung von KI-Verfahren für bestimmte Aufgaben als fährlässig zu werten ist – ähnlich wie etwa manche Universitäten den Einsatz einer Plagiats-Software zur Überprüfung von Studienarbeiten vor Abgabe zwingend vorschreiben. Hier ist durchaus vorstellbar, dass Transaktionsdaten zwingend maschinell zu analysieren sind, um bestimmte Compliance-Verstöße auszuschließen oder auffällige Buchungsmuster verpflichtend näher zu erläutern. In etwa zwei bis drei Jahren wird es maschinelle Steuerassistenten geben, die den Steuerexperten bei einem breiten Aufgabenspektrum unterstützen und beraten. In etwa fünf Jahren wird es dann den Steuerroboter geben, der den Steuersachbearbeiter bei wiederkehrenden Aufgaben vollständig ersetzt.

Ausblick

Die Wissenschaft befasst sich im Bereich der Forschung mit einer Fülle unter­schied­licher KI-Techniken, wobei zurzeit vor allem Deep-Learning-Methoden sowie die Nutzung von KI-Technologien in bestimmten Anwendungsdomänen, wie zum Beispiel dem Steuerbereich, im Fokus liegen (AI-on-demand). Gerade die Wirtschaftsinformatik als klassische Wissenschaftsdisziplin zwischen der Kerninformatik und der Betriebs­wirt­schafts­lehre kann hier viele fruchtbare Impulse setzen, da sie sowohl eine technische als auch eine anwendungsspezifische Terminologie vereint. Zu nennen sind etwa die Potenziale des maschinellen Lernens auf Basis betrieblicher Prozess- und Steuerdaten. Gleichzeitig sind auch weiterhin technische Fragen zu lösen. Beim maschinellen Lernen kann es zu Fehlanpassungen durch zu viel Training kommen. Oder gelernte Zu­sammen­hänge aufgrund falscher Daten müssen effizient rückgängig gemacht werden. Auch ist die Selbst­erklärungs­möglich­keit der KI-Techniken häufig noch ausbaufähig, und das Wissen für geeignete Lern­archi­tekturen für bestimmte Problemklassen ist – trotz erheblicher Fortschritte – noch nicht gefestigt.

Fazit

Ist künstliche Intelligenz besser als die menschliche Intelligenz eines Steuerexperten? Noch lange nicht, aber … wird man sagen müssen. Denn der Steuerbereich ist als Anwendungsfeld klar abgegrenzt, stark geprägt durch ein fachspezifisches Vokabular, beruht in vielen Teilbereichen auf großen Datenmengen und viele Steueraufgaben sind hoch repetitiv. Das alles sind beste Voraussetzungen für eine Automatisierung, bei der KI-Technologien eine zentrale Rolle einnehmen. Künftig ist zu erwarten, dass KI-Systeme Aufgaben von Steuerabteilungen übernehmen. Allerdings gilt das nur für Tätigkeiten, die eine geringe soziale Intelligenz, Kreativität sowie Umgebungsinteraktion erfordern. So können Routineaufgaben in absehbarer Zeit sicherlich automatisiert und anspruchsvollere Aufgaben maschinell assistiert werden. In der steuerlichen Gestal­tungs- und Durchsetzungsberatung ist es hingegen aktuell nicht vorstellbar, dass die Steuerberatung vollständig durch intelligente Steuerlösungen ersetzt wird.