Künstliche Intelligenz in der Unternehmensrestrukturierung – Teil 1

Ein Beitrag von Prof. (FH) Dipl.-Ing. Thomas Schmiedinger

Unternehmensrestrukturierung ist in hohem Maße Wissensarbeit. Sie ist geprägt durch die Verarbeitung großer Informationsmengen, hohen Zeitdruck sowie Entscheidungen mit erheblicher wirtschaftlicher und rechtlicher Tragweite. Beratende, Geschäftsleitende und weitere Beteiligte müssen in kurzer Zeit Finanzdaten analysieren, Szenarien bewerten, Annahmen hinterfragen und Ergebnisse adressatengerecht kommunizieren. Der Engpass liegt dabei häufig weniger im fehlenden Wissen als vielmehr in dessen Aufbereitung, Strukturierung und Verarbeitung. In dieser Hinsicht lässt sich eine Parallele zur industriellen Revolution ziehen. Während im 18. und 19. Jahrhundert vor allem manuelle Arbeit durch Maschinen unterstützt und automatisiert wurde, steht heute zunehmend die Automatisierung geistiger Arbeit im Fokus. Generative KI adressiert genau diesen Bereich, indem sie Tätigkeiten der Wissensverarbeitung beschleunigt und skaliert.

Warum generative KI jetzt ein Restrukturierungsthema ist

Ein anschauliches Beispiel hierfür ist der Umgang mit Text: das Lesen und Verarbeiten umfangreicher schriftlicher Inhalte benötigt regelmäßig deutlich mehr Zeit als deren Erstellung mithilfe generativer KI. Die eigentliche Herausforderung verlagert sich damit von der Erzeugung hin zur Bewertung und Einordnung der Inhalte.

Generative KI ist dabei nicht als radikaler Bruch mit bestehenden Arbeitsweisen zu verstehen, sondern als Weiterentwicklung bereits etablierter digitaler Werkzeuge. Autokorrekturen, Tabellenfunktionen in Excel oder automatische Übersetzungen sind seit Jahren selbstverständliche Bestandteile des Arbeitsalltags. Generative KI knüpft an diese Logik an und erweitert sie um die Fähigkeit, komplexe Inhalte zu strukturieren, zusammenzufassen oder in unterschiedlichen Formaten aufzubereiten.

Neben dem klassischen textbasierten Austausch in Form von Chatbots gewinnen zunehmend auch Sprachschnittstellen an Leistungsfähigkeit. Damit entsteht eine neue Art der Interaktion zwischen Mensch und System. „System“ ist hierbei weit zu verstehen: Es kann sich um Textverarbeitung, Controlling-Software oder auch komplexe Anwendungen wie Bild- oder Dokumentenbearbeitung handeln. Durch KI-gestützte Sprach- und Texteingaben wird die Bedienung solcher Systeme vereinfacht, da Nutzer beschreiben können, was sie erreichen möchten, anstatt wie dies technisch umzusetzen ist.

Sprache fungiert damit als natürliche Schnittstelle, die dem menschlichen Austausch entspricht und den Zugang zu komplexen digitalen Werkzeugen erleichtert. Gerade in zeitkritischen Restrukturierungssituationen kann diese Form der Interaktion dazu beitragen, Hürden zu senken und Arbeitsprozesse zu beschleunigen.

Der Fokus dieses Beitrags liegt daher nicht auf technischen Details oder Modellarchitekturen, sondern auf der Anwendbarkeit und sinnvollen Einbettung generativer KI in restrukturierungsrelevante Arbeitsprozesse. Im Mittelpunkt steht die Frage, wie KI als Werkzeug genutzt werden kann, um Wissensarbeit effizienter, konsistenter und besser steuerbar zu machen.

Der Leitgedanke aller folgenden Abschnitte ist dabei die Automatisierung und Unterstützung geistiger Arbeit: von der Einordnung zentraler Begriffe über die Auswahl geeigneter Systeme und Deployment-Formen bis hin zur konkreten assistiven Nutzung und methodischen Steuerung von KI in Restrukturierungsprojekten.

Künstliche Intelligenz und Sprachmodelle – ein Überblick

Eine allgemein anerkannte und zugleich regulatorisch relevante Definition findet sich im EU AI Act. Der Wunsch, digitale Systeme zu entwickeln, die in der Lage sind, menschenähnliche kognitive Verhaltensweisen zu zeigen, bildet den Ausgangspunkt vieler KI-Anwendungen. Der EU-Gesetzgeber verzichtet jedoch bewusst auf eine anthropomorphe Beschreibung und definiert KI funktional. In Art. 3 („Begriffsbestimmungen“), Punkt (1) heißt es:

Diese Definition verdeutlicht zwei zentrale Aspekte: Zum einen steht nicht die Nachbildung menschlicher Intelligenz im Vordergrund, sondern die Fähigkeit, aus Daten zweckgerichtete Ausgaben zu erzeugen. Zum anderen umfasst der Begriff ein breites Spektrum von Systemen – von Analyse- und Prognosemodellen bis hin zu generativen Anwendungen. Vor diesem Hintergrund erfolgt nun der Übergang von der begrifflichen und technologischen Einordnung hin zu einer Betrachtung konkreter Anwendungstypen. Der folgende Abschnitt ordnet KI praxisnah ein und grenzt die für Sanierungs- und Restrukturierungssituationen relevanten Konzepte und Werkzeugkategorien voneinander ab.

KI in der praktischen Einordnung

KI ist kein isoliertes technisches Phänomen, sondern steht in enger Verbindung zu etablierten statistischen und mathematischen Verfahren. Viele heute eingesetzte KI-Systeme bauen auf Methoden der Statistik auf, insbesondere auf der Analyse großer Datenmengen, der Erkennung von Zusammenhängen und der Ableitung wahrscheinlicher Ergebnisse. In diesem Sinne ist KI weniger als denkendes System, sondern vielmehr als Werkzeug zur Mustererkennung zu verstehen.

Eine zentrale Unterkategorie der KI ist das Machine Learning. Darunter wird eine Sammlung von Algorithmen und Methoden verstanden, die es Systemen ermöglichen, aus Daten zu lernen, ohne explizit für jede Regel programmiert zu sein. Machine-Learning-Verfahren identifizieren statistische Zusammenhänge in Trainingsdaten und nutzen diese, um Vorhersagen oder Klassifikationen für neue, unbekannte Daten vorzunehmen. Die Qualität der Ergebnisse hängt dabei maßgeblich von der Qualität, dem Umfang und der Relevanz der zugrundeliegenden Daten ab.

Im Umfeld der Restrukturierung lassen sich solche Verfahren bei entsprechender Datenbasis sinnvoll einsetzen. Auf Grundlage historischer Unternehmensdaten lassen sich mithilfe trainierter Machine-Learning-Modelle beispielsweise statistische Aussagen über die „Gesundheit“ von Unternehmen treffen, etwa durch den Vergleich mit ähnlichen Unternehmen oder vergangenen Restrukturierungsfällen. Zentrales Merkmal dieser Anwendungen ist, dass die Ergebnisse keine eindeutigen Aussagen, sondern Wahrscheinlichkeiten liefern. Es geht nicht darum festzustellen, ob ein Unternehmen erfolgreich saniert werden kann, sondern mit welcher Wahrscheinlichkeit es bestimmten Vergleichsgruppen, Risiko- oder Erfolgsprofilen zugeordnet werden kann.

Deep Learning stellt wiederum eine spezielle Ausprägung des Machine Learnings dar. Es basiert auf künstlichen neuronalen Netzen, deren Struktur lose an das menschliche Gehirn angelehnt ist. Neuronen und deren Verknüpfungen (Synapsen) werden dabei mathematisch modelliert, um komplexe Muster – etwa in Texten, Bildern oder Audiodaten – erkennen zu können. Im Unterschied zum menschlichen Gehirn ist die Architektur solcher Modelle jedoch statisch: Während das menschliche Gehirn eine hohe Plastizität aufweist, bleibt die Grundstruktur eines Deep-Learning-Modells nach dem Training unverändert und passt sich nur innerhalb definierter Parameter an.

In der öffentlichen Diskussion wird häufig zwischen schwacher KI und starker KI unterschieden. Für die praktische Einordnung ist diese Abgrenzung vor allem insofern relevant, als dass sämtliche heute eingesetzten Systeme – einschließlich generativer KI – eindeutig der schwachen KI zuzuordnen sind.

Generative KI nutzt insbesondere Deep-Learning-Modelle, um neue Inhalte wie Texte, Bilder oder Codes zu erzeugen. Ermöglicht wird dies durch große verfügbare Datenmengen, erhebliche Fortschritte in der Rechenleistung sowie moderne Modellarchitekturen. Die zugrundeliegenden Lernverfahren lassen sich dabei zusammenfassend als statistisches Lernen aus Beispieldaten beschreiben, bei dem Wahrscheinlichkeiten erlernt und auf neue Eingaben angewendet werden.

Chatbots und Large Language Models (LLMs)

Chatbots stellen für viele Anwender den sichtbarsten Zugangspunkt zu KI dar. Ihre Entwicklung lässt sich in mehreren Stufen nachzeichnen. Frühe Chatbots wie ELIZA arbeiteten regelbasiert und simulierten Dialoge ausschließlich über vordefinierte Antwortmuster. Spätere Conversational Agents wie Sprachassistenten (z. B. Siri oder Alexa) erweiterten diesen Ansatz um Spracherkennung und feste Funktionsaufrufe, blieben jedoch in ihrem Handlungsrahmen stark begrenzt.

Mit dem Aufkommen generativer KI-Chatbots hat sich diese Logik grundlegend verändert. Systeme wie ChatGPT, Claude oder LeChat basieren auf sogenannten Large Language Models (LLMs), die darauf trainiert sind, Sprache statistisch zu modellieren und fortzuschreiben. Motivation und technischer Ausgangspunkt dieser Entwicklung ist die maschinelle Verarbeitung natürlicher Sprache.

Vereinfacht dargestellt lernen LLMs anhand großer Textmengen, welche Wörter, Satzstrukturen oder Konzepte mit welcher Wahrscheinlichkeit aufeinander folgen. Auf dieser Basis generieren sie Texte, beantworten Fragen oder strukturieren Inhalte. Sie „verstehen“ Sprache dabei nicht im menschlichen Sinne, sondern verarbeiten sie als Wahrscheinlichkeitsraum. Die besondere Leistungsfähigkeit moderner LLMs liegt in ihrer Fähigkeit, Kontext über längere Textpassagen hinweg zu berücksichtigen und flexibel auf unterschiedliche Fragestellungen zu reagieren.

Die zentrale Neuerung von LLMs liegt weniger im einzelnen Anwendungsfall als vielmehr in der natürlichen Sprache als universeller Schnittstelle zu digitalen Systemen. Anstatt komplexe Menüs, Masken oder Programmiersprachen zu nutzen, können Anwender ihr Ziel in Text- oder Sprachform beschreiben. Damit wird der Zugang zu komplexen Systemen deutlich vereinfacht – ein Aspekt, der gerade in zeitkritischen Restrukturierungssituationen von Bedeutung ist.

Typische Stärken von LLM-basierten Chatbots liegen in der Strukturierung umfangreicher Informationen, der Zusammenfassung komplexer Inhalte sowie der Unterstützung bei der Hypothesenbildung. Gleichzeitig bestehen klare Grenzen: LLMs können sogenannte Halluzinationen erzeugen, verfügen nicht über eigenes Fach- oder Kontextwissen und übernehmen keine Verantwortung für die erzeugten Inhalte.

Zur Einordnung eignet sich die Metapher eines Fahrzeugs: Der Chatbot bildet das Fahrzeug, das dem Anwender eine nutzbare Oberfläche bereitstellt. Das LLM fungiert als Motor, der die eigentliche Leistung erzeugt. Gesteuert wird das Fahrzeug jedoch durch den Menschen, der über seine Eingaben – vergleichbar mit einem Lenkrad – Richtung und Ziel vorgibt. Ergänzend sind Sicherheitsmechanismen erforderlich, die kritische oder missbräuchliche Nutzung begrenzen. Auch bei LLMs sollen solche Schutzmechanismen sicherstellen, dass problematische Anwendungsfälle, etwa die Generierung gefährlicher Inhalte, unterbunden oder zumindest erschwert werden.

+++ Teil 2 und 3 dieses Beitrags erscheinen in Kürze hier auf tax&bytes. +++

____________________________________________

Dies ist Teil 1 des Beitrages aus NWB 2026, Seite 47. 

SNEAK 👀 – Exklusiv bei tax&bytes! Lesen Sie den Artikel jetzt kostenlos und in voller Länge in der NWB-Datenbank 🤫

   → BEITRAG