R3 Audit & Assurance - Wirtschaftsprüfer für Revision, Regulatorik und Resilienz
    Zurück zur Übersicht

    Strukturierter Weg zum nachhaltigen KI-Einsatz

    Vorgehensmodell, Governance und Qualitätssicherung

    Der nachhaltige Erfolg von KI-Initiativen entscheidet sich in der Reihenfolge des Vorgehens. Zuerst werden Prozesse, Daten und Werkzeuge analysiert und die Erkenntnisse zu konkreten Anwendungsfällen zusammengeführt. Governance und Kompetenzen bauen darauf auf.

    Das nachfolgende Modell fasst unseren Ansatz bei der Implementierungsbegleitung von KI-Werkzeugen zusammen. Von der ersten Standortbestimmung bis zum governance-gesicherten Regelbetrieb.

    Phase A · Analyse

    • 1

      Geschäftsmodellanalyse

      Leitfrage: Welche Prozesse kommen überhaupt für eine Automatisierung in Frage?

      Ergebnis: Priorisierte Übersicht der Prozesse mit Automatisierungspotenzial, bewertet nach Nutzen, Häufigkeit und Risiko.

    • 2

      Analyse der Informationsbasis

      Leitfrage: Welche Daten der identifizierten Prozesse sind vorhanden und was ist zu tun, um sie nutzbar zu machen?

      Ergebnis: Bestandsaufnahme der Daten und Dokumente zu den priorisierten Prozessen sowie der notwendigen Schritte zu deren Aufbereitung und Strukturierung.

    • 3

      Tool-Eignung

      Leitfrage: Welche Art von Werkzeug erfordert der jeweilige Anwendungsfall?

      Ergebnis: Aus den Prozessen und der Datenbasis abgeleitetes Anforderungsprofil, noch unabhängig vom konkreten Produkt.

    Phase B · Synthese

    • 4

      Synthese & Umsetzungstiefe

      Leitfrage: Welche Tools sollen eingesetzt werden und welcher Umsetzungsweg lohnt je Anwendungsfall?

      Ergebnis: Konkrete Anwendungsfälle aus den Schritten 1–3, nach Nutzen, Häufigkeit und Risiko bewertet als Entscheidungsgrundlage für das weitere Vorgehen.

    Drei Entscheidungswege

    A

    Vorhandenes nutzen

    Bereits verfügbare Werkzeuge direkt anwenden. Quick-Win ohne Investition.

    B

    Gezielt ergänzen

    Leicht beschaffbare Werkzeuge für einzelne Prozesse, nicht zwingend KI, etwa RPA für regelbasierte Abläufe.

    C

    Größere Investition

    Einstieg in ein substanzielles Vorhaben, wenn echter Nutzen nur über eine umfassendere Lösung zu heben ist.

    Phase C · Umsetzung

    • 5

      Governance-Rahmen

      Leitfrage: Wie sichere ich Qualität und Kontrolle der KI-gestützten Ergebnisse ab?

      Ergebnis: Governance-Rahmen mit Qualitätssicherung und internem Kontrollsystem (IKS) für den laufenden Einsatz.

    • 6

      Kompetenzaufbau

      Leitfrage: Wie befähige ich meine Mitarbeitenden zum eigenverantwortlichen Einsatz?

      Ergebnis: Zielgerichteter Kompetenzaufbau bei Fach- und Führungskräften als Basis nachhaltiger Nutzung.

    Aus der Prüfungs- und Vortragspraxis

    Fünf Fragen, mit denen wir uns in Vorträgen und Mandaten derzeit beschäftigen und die zeigen, wo KI-Projekte in der Praxis tatsächlich entschieden werden.

    01

    Wie ein Sprachmodell wirklich arbeitet

    Ein Sprachmodell berechnet die Wahrscheinlichkeit des nächsten Textstücks, nicht die Wahrscheinlichkeit, dass die Aussage zutrifft. Wer diesen Unterschied versteht, stellt die richtigen Fragen an Anbieter und Ergebnisse.

    Diagramm aus dem Vortrag: Deterministisches Verfahren gegenüber Sprachmodell mit Wahrscheinlichkeitsverteilung des nächsten Textstücks
    Aus dem Vortrag „KI in der Prüfung“
    02

    Warum eine Trefferquote nicht genügt

    „Das Modell hat 92 % im Benchmark“ klingt überzeugend. Eine aggregierte Quote sagt aber nicht, ob ein Fehler aus fehlenden Dokumenten, fehlerhafter Extraktion oder einer generativen Fehlinterpretation stammt. Ohne Fehlerlokalisierung keine Ursachenanalyse.

    Folie aus dem Vortrag: Warum Benchmark-Quoten und modellgestützte Reviews als Anbieternachweis nicht genügen
    Aus dem Vortrag „KI in der Prüfung“
    03

    Gegen den Automation Bias

    Wer das KI-Ergebnis zuerst sieht, prüft das Ergebnis. Wer den Sachverhalt zuerst würdigt, prüft die Sache. Die Reihenfolge der Stichprobe entscheidet, ob die menschliche Kontrolle wirkt: organisatorisch unbequem und genau deshalb wirksam.

    Folie aus dem Vortrag: Vier-Schritte-Vorgehen gegen Automation Bias mit Stichprobe und Vergleichsreihenfolge
    Aus dem Vortrag „KI in der Prüfung“
    04

    Agentische Systeme und die Prüfbarkeitsgrenze

    Mehr Autonomie erhöht nicht die Verlässlichkeit, sondern verschiebt die Prüfbarkeitsgrenze. Prüfbar wird dann nicht mehr das Ergebnis, sondern der protokollierte Weg dorthin, sofern er protokolliert ist.

    Folie aus dem Vortrag: Zwei Agententypen und die Verschiebung der Prüfbarkeitsgrenze
    Aus dem Vortrag „KI in der Prüfung“
    05

    Was KI wirklich kostet

    Der Tokenpreis ist nicht die Stellschraube. Was steigt, ist die Menge, und die entsteht im laufenden Betrieb. Planbar wird der Einsatz erst mit einem Budget je Auftrag, einer Messung je Lauf und einer Abbruchgrenze.

    Folie aus dem Vortrag: Vollkostenformel von KI mit vier Größen und drei Planungsfällen
    Aus dem Vortrag „KI in der Prüfung“

    KI-Einsatz nachhaltig gestalten

    Ob Standortbestimmung, Governance-Rahmen oder die Prüfung eines bereits eingesetzten KI-Werkzeugs: Wir unterstützen Sie strukturiert von der Analyse bis zur prüfungssicheren Dokumentation.

    Jetzt unverbindlich sprechen