Prädiktive Analysen in der Wirtschaftsprüfung: Leitfaden und Auswirkungen bis 2026

Kurzzusammenfassung: Prädiktive Analysen in der Wirtschaftsprüfung nutzen historische Daten, statistische Algorithmen und maschinelles Lernen, um finanzielle Risiken vorherzusagen, Betrugsmuster aufzudecken und die Genauigkeit von Prüfungen zu verbessern. Große Wirtschaftsprüfungsgesellschaften investieren erheblich in die technologische Infrastruktur für die Wirtschaftsprüfung. Prädiktive Modelle ermöglichen dabei die Prüfung aller Transaktionen im Vergleich zu herkömmlichen Stichprobenverfahren. Diese Transformation erlaubt es Wirtschaftsprüfern, von rückwirkenden Prüfungen zu einer vorausschauenden Risikobewertung überzugehen.

Die Wirtschaftsprüfung befindet sich in einem rasanten Wandel, der durch die Einführung neuer Technologien vorangetrieben wird. Im Zentrum dieses Wandels steht die prädiktive Analytik.

Traditionelle Prüfungsmethoden stützten sich maßgeblich auf manuelle Stichproben und nachträgliche Kontrollen. Prüfer untersuchten nur einen Bruchteil der Transaktionen, wandten ihr fachliches Urteilsvermögen an und hofften, dass die Stichprobe repräsentativ für das Ganze war. Dieser Ansatz funktionierte jahrzehntelang, ließ aber Lücken – Lücken, durch die Betrug, Fehler und neu auftretende Risiken unbemerkt bleiben konnten.

Prädiktive Analysen revolutionieren die Arbeitsweise von Wirtschaftsprüfern. Anstatt nur eine kleine Stichprobe zu betrachten, können sie nun vollständige Datensätze analysieren, Muster erkennen, die auf zukünftige Risiken hinweisen, und Anomalien aufdecken, bevor diese zu wesentlichen Problemen werden. Die Technologie ist nicht nur schneller, sondern auch deutlich gründlicher.

Was genau ist Predictive Analytics in der Wirtschaftsprüfung?

Predictive Analytics kombiniert historische Finanzdaten mit statistischen Algorithmen und Modellen des maschinellen Lernens, um zukünftige Ergebnisse vorherzusagen. Im Kontext einer Wirtschaftsprüfung bedeutet dies die Analyse von Transaktionsmustern, die Identifizierung von Abweichungen vom erwarteten Verhalten und die Kennzeichnung von Risikobereichen, die einer eingehenderen Untersuchung bedürfen.

Die Unterscheidung zu traditionellen Analysemethoden ist wichtig. Deskriptive Analysen zeigen Wirtschaftsprüfern, was geschehen ist – der Umsatz ist im letzten Quartal um 15 Prozent gesunken. Prädiktive Analysen zeigen ihnen, was als Nächstes wahrscheinlich geschehen wird – basierend auf aktuellen Mustern weist ein bestimmtes Konto Merkmale auf, die auf eine Manipulation der Umsatzrealisierung hindeuten.

Aber eines ist klar: Prognosemodelle ersetzen nicht das Urteilsvermögen des Wirtschaftsprüfers. Sie ergänzen es. Algorithmen des maschinellen Lernens eignen sich hervorragend zur Verarbeitung riesiger Datenmengen und zum Erkennen subtiler Muster, die Menschen möglicherweise entgehen. Der Wirtschaftsprüfer bestimmt jedoch weiterhin die Wesentlichkeit, bewertet den Kontext und trifft die endgültige Entscheidung.

Nutzen Sie prädiktive Analysen in der Wirtschaftsprüfung mit KI-Überlegenheit

AI Superior arbeitet mit Finanz- und Prozessdaten, um Vorhersagemodelle zu erstellen, die die Anomalieerkennung und die Prüfungsanalyse unterstützen.

Der Fokus liegt auf Modellen, die sich in bestehende Audit-Workflows einfügen und eine kontinuierliche Überwachung unterstützen.

Sie möchten prädiktive Analysen im Bereich der Wirtschaftsprüfung anwenden?

AI Superior kann Ihnen helfen bei:

• Beurteilung von Prüfungs- und Finanzdaten
• Erstellung von Vorhersagemodellen
• Modelle in Arbeitsabläufe integrieren
• Verbesserung der Erkennung basierend auf der Nutzung

👉 Kontaktieren Sie AI Superior um Ihr Projekt, Ihre Daten und Ihren Implementierungsansatz zu besprechen

Wie große Unternehmen prädiktive Modelle implementieren

Wirtschaftsprüfungsgesellschaften investieren erheblich in die technologische Infrastruktur für die Wirtschaftsprüfung. Diese Investitionen fließen in drei Kernbereiche: Infrastruktur, Personal und Modellentwicklung.

Infrastruktur bedeutet Cloud-Plattformen, die Terabytes an Kundendaten verarbeiten können. Talent bedeutet, Data Scientists einzustellen, die sowohl maschinelles Lernen als auch Buchhaltungsgrundsätze beherrschen. Modellentwicklung bedeutet, Algorithmen zu erstellen, die speziell auf Prüfungsfälle zugeschnitten sind.

Das PCAOB hat reagiert. Im August 2024 genehmigte die SEC Änderungen der Prüfungsstandards, die sich speziell mit der technologiegestützten Analyse von Informationen in elektronischer Form befassen. Vorsitzender Gary Gensler merkte an, die bestehenden Standards seien “in einer früheren Zeit verfasst” worden und müssten modernisiert werden, um den aktuellen technologischen Möglichkeiten der Prüfung Rechnung zu tragen.

Diese regulatorischen Aktualisierungen sind wichtig, da sie klarere Vorgaben dafür machen, wann und wie Wirtschaftsprüfer automatisierte Analysen nutzen können. Die Änderungen entsprechen AS 2305 zu analytischen Prüfungshandlungen, sind aber explizit für eine Zeit konzipiert, in der Wirtschaftsprüfer 100 Prozent der Transaktionen anstatt nur Stichproben prüfen können.

Betrugserkennung wird intelligenter

Mal ehrlich: Die größte Wirkung entfaltet die prädiktive Analytik bei der Betrugserkennung.

Maschinelle Lernmodelle analysieren historische Betrugsfälle, um wiederkehrende Muster zu identifizieren – ungewöhnliche Buchungssätze kurz vor Periodenende, Transaktionen knapp unterhalb der Genehmigungsschwellen und Lieferantenzahlungen mit Merkmalen, die denen von Briefkastenfirmen ähneln. Nach dem Training durchsuchen diese Modelle aktuelle Kundendaten nach denselben Warnsignalen.

Die Ergebnisse sind messbar. Studien belegen ein signifikantes Potenzial zur Betrugsreduzierung durch prädiktive Analysen. Dabei geht es nicht nur darum, Betrug schneller aufzudecken, sondern Verluste zu verhindern, bevor sie entstehen.

So funktioniert es in der Praxis: Ein Algorithmus stellt möglicherweise fest, dass ein bestimmter Lieferant stets Beträge knapp unter der Grenze für die zusätzliche Genehmigung in Rechnung stellt. Dieses Muster allein ist noch nicht aussagekräftig, löst aber einen Alarm aus. Der Prüfer untersucht den Fall und entdeckt, dass der Lieferant von einem leitenden Angestellten des Unternehmens kontrolliert wird. Ohne prädiktive Analysen würde diese Verbindung bei einer herkömmlichen Stichprobenprüfung möglicherweise nie aufgedeckt.

Wichtige Betrugsindikatoren und Vorhersagemodelle zur Nachverfolgung

Risikobewertung wird proaktiv

Die traditionelle Risikobewertung betrachtete inhärente und kontrollierbare Risiken auf Basis vergangener Perioden und Branchenbenchmarks. Predictive Analytics ergänzt diese Betrachtung um eine zukunftsorientierte Dimension.

Mithilfe von Modellen lassen sich makroökonomische Indikatoren, Branchentrends und unternehmensspezifische Kennzahlen analysieren, um vorherzusagen, wo Risiken im nächsten Quartal oder im nächsten Jahr am wahrscheinlichsten eintreten werden. Wenn ein Kunde im Einzelhandel tätig ist und das Modell Lagerumschlagsmuster erkennt, die auf Probleme mit veralteten Lagerbeständen hindeuten, wissen die Wirtschaftsprüfer, dass sie die Lagerbewertung genauer prüfen müssen.

Die Arbeit des IAASB an ISA 315 (überarbeitet), der sich mit der Identifizierung und Bewertung von Risiken wesentlicher Falschdarstellungen befasst, spiegelt diese Entwicklung wider. Obwohl der Standard prädiktive Analysen nicht vorschreibt, schafft er Spielraum für Wirtschaftsprüfer, technologiegestützte Risikobewertungen neben traditionellen Verfahren einzusetzen.

Kommissar Jaime Lizárraga betonte in einer Erklärung vom August 2024, dass Wirtschaftsprüfer ihre Nutzung von Datenanalysen aufgrund von Fortschritten bei Datenanalysetools und dem verbesserten Zugang der Prüfer zu großen Mengen an unternehmens- und extern generierten Daten verstärkt hätten. Das regulatorische Umfeld passe sich an, um diese technologischen Möglichkeiten zu unterstützen und nicht zu behindern.

Herausforderungen beim Datenzugriff und der Datenintegration

Kommt Ihnen das bekannt vor? Wirtschaftsprüfer wollen alles analysieren, aber zuerst müssen sie die Daten beschaffen.

Hier spielen API-Zugriff und Open-Banking-Initiativen eine entscheidende Rolle. Laut globalen Fintech-Einführungsberichten haben über 941 Länder und Regionen mit bedeutenden Finanzzentren bis 2026 verpflichtende oder marktorientierte Open-Banking-Rahmenwerke eingeführt. Fintech-Plattformen ermöglichen den API-gesteuerten Zugriff auf Finanzdaten und erleichtern es Prüfern so, Transaktionsinformationen sicher zu extrahieren und zu analysieren.

Für Wirtschaftsprüfer bedeutet der API-basierte Datenzugriff, dass sie Transaktionsdaten direkt abrufen können, anstatt auf vom Kunden bereitgestellte Exporte warten zu müssen. Der Echtzeitzugriff ermöglicht eine kontinuierliche Prüfung – Transaktionen können überwacht werden, während sie stattfinden, anstatt sie erst Monate später im Rahmen der Jahresabschlussarbeiten zu überprüfen.

Aber Moment mal. Integration ist nicht nur eine technische, sondern auch eine kulturelle Angelegenheit. Viele Audit-Teams arbeiten immer noch mit tabellenkalkulationsbasierten Arbeitsabläufen. Die Umstellung auf prädiktive Analysen erfordert die Schulung von Mitarbeitern, die Überarbeitung von Auditmethoden und mitunter die Überwindung von Widerstand seitens der Partner, die seit 30 Jahren Audits auf dieselbe Weise durchführen.

Praktische Anwendungen in verschiedenen Prüfungsbereichen

Predictive Analytics beschränkt sich nicht auf die Betrugserkennung. Die Technologie findet in zahlreichen Prüfungsbereichen Anwendung.

Umsatzerkennung

Die Modelle analysieren Vertragsbedingungen, Liefermuster und historische Umsatzentwicklungen, um vorherzusagen, wo Bilanzierungsprobleme am wahrscheinlichsten auftreten. Sie kennzeichnen Verträge mit ungewöhnlichen Zahlungsbedingungen oder Leistungsverpflichtungen, die nicht den Branchenstandards entsprechen.

Lagerbewertung

Algorithmen verfolgen die Lagerumschlagsraten, identifizieren Artikel mit geringem Umschlag und vergleichen Bewertungsannahmen mit Marktdaten. Wenn ein Modell ein Veralterungsrisiko für bestimmte Artikelnummern prognostiziert, können Prüfer diese Artikel gezielt prüfen, anstatt Stichproben zu verwenden.

Fortführungsbeurteilung

Das IAASB hat ISA 570 (Revised 2024) veröffentlicht, der für die Prüfung von Abschlüssen für Berichtsperioden gilt, die am oder nach dem 15. Dezember 2026 beginnen. Er stärkt die Verantwortung der Abschlussprüfer für die Beurteilung der Unternehmensfortführung. Prognosemodelle unterstützen diese Arbeit, indem sie Cashflow-Muster, Trends bei der Einhaltung von Kreditvereinbarungen und makroökonomische Indikatoren analysieren, um Liquiditätsrisiken vorherzusagen.

Transaktionen mit verbundenen Parteien

Netzwerkanalysealgorithmen bilden Beziehungen zwischen Entitäten, Einzelpersonen und Transaktionen ab. Sie können verborgene verbundene Parteien identifizieren, indem sie Zahlungsmuster, gemeinsame Adressen und Transaktionszeitpunkte analysieren – Verbindungen, die bei herkömmlichen Tests nicht zutage treten würden.

Was dies für die Qualität von Audits bedeutet

Die Verlagerung hin zu prädiktiven Analysen verändert grundlegend, was “Auditqualität” bedeutet.

Früher lag der Fokus bei der Qualitätssicherung auf der Einhaltung von Verfahren – hat der Prüfer die Checkliste befolgt, die erforderliche Stichprobengröße geprüft und die Schlussfolgerungen ordnungsgemäß dokumentiert? Diese Einhaltung ist nach wie vor wichtig, doch die Technologie eröffnet eine neue Dimension: die analytische Tiefe.

Eine Prüfung, die 100 Prozent der Transaktionen mithilfe von Prognosemodellen testet, liefert aussagekräftigere Beweise als eine Prüfung, die nur 5 Prozent mittels traditioneller Stichproben untersucht. Das Risiko, wesentliche Falschdarstellungen zu übersehen, sinkt deutlich, wenn Algorithmen jeden Buchungssatz, jede Rechnung und jede Zahlung analysieren.

Kommissar Mark T. Uyeda stellte im August 2024 fest, dass die Änderungen der PCAOB-Standards die “erweiterte Nutzung technologiegestützter Analysen durch Wirtschaftsprüfer’ anerkennen. Der regulatorische Rahmen unterstützt nun ausdrücklich die umfassende Datenanalyse als gültiges Prüfungsverfahren und nicht nur als ergänzende Technik.

Technologie ersetzt jedoch nicht die fachliche Beurteilung. Algorithmen können zwar Anomalien aufzeigen, doch Wirtschaftsprüfer müssen weiterhin die Wesentlichkeit bewerten, den Geschäftskontext berücksichtigen und entscheiden, ob Abweichungen auf Fehler oder legitime Geschäftstätigkeiten hinweisen. Die Kombination aus menschlicher Expertise und maschineller Analyse liefert bessere Ergebnisse als jede der beiden allein.

Blick in die Zukunft: Die nächste Evolution

Wir erleben die Anfänge eines umfassenderen Wandels. Aktuelle Prognosemodelle analysieren vorwiegend strukturierte Finanzdaten – Hauptbücher, Kreditoren- und Debitorenkonten. Die nächste Welle wird unstrukturierte Daten einbeziehen: E-Mails, Verträge, Besprechungsprotokolle und Social-Media-Beiträge.

Mithilfe von Methoden der natürlichen Sprachverarbeitung lassen sich Managementkommunikationen auf Stimmungsveränderungen analysieren, die mit finanziellem Druck korrelieren. Computer Vision könnte physische Bestände bei Audits scannen und Mengen automatisch mit den erfassten Beträgen vergleichen. Die Integration der Blockchain-Technologie ermöglicht die Echtzeit-Verifizierung von Transaktionen während ihrer Erfassung.

Die laufenden Arbeiten des PCAOB zu analytischen Prüfungshandlungen, die am 12. Juni 2024 aktualisiert wurden, zeigen, dass sich die Standards parallel zur technologischen Entwicklung weiterentwickeln werden. Wirtschaftsprüfer, die jetzt in den Aufbau prädiktiver Analysefähigkeiten investieren, werden gut gerüstet sein, um sich an die neuen Tools anzupassen.

Häufig gestellte Fragen