Künstliche Intelligenz in der Unternehmensrestrukturierung – Teil 2
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. Berater, Geschäftsleiter 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.
Generative KI unterstützt Restrukturierungsprozesse bei der Analyse großer Informationsmengen, strukturiert Inhalte und bereitet Entscheidungsgrundlagen unter Zeitdruck auf. Sprachmodelle und LLM-basierte Chatbots fungieren als Schnittstelle, ohne Verantwortung und fachliches Urteil zu ersetzen.
Bereitstellungsformen von KI – Cloud, hybrid, lokal
Neben der Frage, welche KI-Anwendung eingesetzt wird, ist ebenso entscheidend, wie diese technisch bereitgestellt wird. Dieser Aspekt wird unter dem Begriff Deployment zusammengefasst: die Art und Weise, wie KI-Systeme in bestehende IT-Landschaften eingebunden und den Anwendern zur Verfügung gestellt werden.
Die Wahl des Deployments beeinflusst maßgeblich, welche Daten verarbeitet werden dürfen, wie hoch der Integrations- und Betriebsaufwand ist und welche Anforderungen an Datenschutz, Compliance und Governance erfüllt werden müssen. Gerade in der Restrukturierungspraxis, in der regelmäßig mit sensiblen Finanz- und Unternehmensdaten gearbeitet wird, ist diese Entscheidung nicht nur technischer, sondern auch organisatorischer und rechtlicher Natur. Die Konformität mit Datenschutzvorgaben (Datenschutzgrundverordnung) sowie den Anforderungen des EU AI Act ist dabei stets sicherzustellen.
Abhängig vom Anwendungsfall, den verfügbaren Ressourcen und dem gewünschten Integrationsgrad haben sich drei Deployment-Modelle etabliert: Cloud-basierte Anwendungen, hybride Anwendungen sowie lokale Anwendungen. Die nachfolgenden Abschnitte ordnen deren Vor- und Nachteile praxisnah ein.
1. Cloud-basierte KI-Systeme
Cloud-basierte KI-Lösungen stellen aktuell den am weitesten verbreiteten Einstiegspunkt in die Nutzung generativer KI dar. Bei diesem Deployment-Modell werden KI-Systeme über Web-Interfaces oder als Software-as-a-Service (SaaS) von externen Anbietern betrieben. Anwender greifen über einen Browser oder eine standardisierte Oberfläche auf die Modelle zu, ohne eigene Infrastruktur vorhalten zu müssen.
Ein wesentlicher Vorteil liegt im niedrigen Einstiegshindernis und der hohen Entwicklungsdynamik. Cloud-basierte Anbieter verfolgen dabei zwei parallele Strategien:
- Einerseits bieten generische KI-Chatbots wie ChatGPT, Gemini oder LeChat einen breiten, niedrigschwelligen Funktionsumfang für Text- und Analyseaufgaben – etwa zur Strukturierung von Informationen, Zusammenfassung von Dokumenten oder Unterstützung bei der Hypothesenbildung.
- Andererseits werden KI-Funktionalitäten zunehmend tief in bestehende Softwareprodukte integriert. Beispiele hierfür sind Microsoft Copilot innerhalb von Microsoft 365 oder Gemini in Google Workspace, die eine unmittelbare Nutzung im gewohnten Arbeitsumfeld ermöglichen – von E-Mails über Präsentationen bis hin zu Tabellenkalkulationen. Ergänzend existieren spezialisierte Recherche-Tools wie das KI-gestützte Angebot von Statista, das die strukturierte Abfrage von Markt- und Wirtschaftsdaten erlaubt.
PRAXISHINWEIS
Demgegenüber stehen jedoch klare Grenzen, die insbesondere in restrukturierungsnahen Anwendungsfällen relevant sind. Da Verarbeitung und Speicherung außerhalb der eigenen IT-Landschaft erfolgen, stellen sich Fragen des Datenschutzes, der Vertraulichkeit sowie der regulatorischen Zulässigkeit. Zudem besteht eine Abhängigkeit vom jeweiligen Anbieter hinsichtlich Preisgestaltung und funktionaler Weiterentwicklung.
In der Praxis eignen sich cloud-basierte KI-Lösungen daher vor allem für weniger sensible Anwendungsfälle: erste Analysen, Textstrukturierung, Präsentationsentwürfe oder Schulungszwecke. Sie können als Einstieg und Experimentierumgebung dienen, ersetzen jedoch keine weitergehende Auseinandersetzung mit alternativen Deployment-Formen, wenn produktiv mit hochsensiblen Unternehmens- oder Finanzdaten gearbeitet wird.
2. Hybride KI-Systeme
Hybrid-Modelle stellen eine Zwischenform zwischen rein cloud-basierten Lösungen und vollständig lokalen Installationen dar. Charakteristisch ist die Anbindung externer KI-Modelle über standardisierte Programmierschnittstellen (APIs) an eigene Systeme und Workflows. Im Unterschied zu klassischen Cloud-Anwendungen erfolgt der Zugriff nicht über eine generische Benutzeroberfläche des Anbieters, sondern eingebettet in die eigene IT-Umgebung.
Der wesentliche Vorteil liegt im höheren Grad an Kontrolle und Integration. Daten können vorverarbeitet, gefiltert oder anonymisiert werden, bevor sie an das externe Modell übermittelt werden; Ergebnisse lassen sich direkt in interne Systeme wie Controlling-Tools oder Dokumentenmanagementsysteme zurückspielen. Unternehmen können zudem unterschiedliche Sprachmodelle anbinden und je nach Aufgabe wechseln, ohne ihre gesamte Systemarchitektur anzupassen. Der Betrieb der Modelle selbst verbleibt beim externen Anbieter – eigene Hochleistungsinfrastruktur ist nicht erforderlich.
Dem stehen Herausforderungen gegenüber: Die Integration erfordert technisches Know-how und Implementierungsaufwand. Es entstehen laufende, nutzungsabhängige Kosten. Zudem ist ein tragfähiges Governance-Konzept erforderlich, um Zugriffsrechte, Protokollierung und die Einhaltung regulatorischer Vorgaben sicherzustellen.
PRAXISHINWEIS
In der Restrukturierungspraxis eignen sich hybride Modelle insbesondere für analytische und wiederkehrende Aufgaben, bei denen KI eng mit internen Daten verzahnt werden soll: etwa Finanz- und Controllinganalysen, automatisierte Berichtserstellung oder strukturierte Workflows. Ein Beispiel ist der Einsatz von Chat-Oberflächen wie LibreChat, die über API-Anbindungen flexibel mit unterschiedlichen LLMs verbunden werden können und zugleich eine unternehmensspezifische Steuerung ermöglichen.
3. Lokale KI-Systeme
Lokale KI-Modelle stellen die konsequenteste Form der Abgrenzung gegenüber cloud-basierten und hybriden Deployment-Ansätzen dar. Bei diesem Modell werden sowohl die KI-Anwendungen als auch die zugrundeliegenden Sprachmodelle vollständig auf der eigenen Infrastruktur betrieben. Daten verlassen das Unternehmen nicht und werden weder an externe Anbieter übertragen noch außerhalb der eigenen IT-Umgebung verarbeitet.
Konzeptionell können On-Premise-Lösungen als Erweiterung hybrider Ansätze verstanden werden. Während bei hybriden Modellen lediglich die Anwendungslogik lokal verankert ist, werden bei lokalen Installationen zusätzlich die Sprachmodelle selbst im eigenen Rechenzentrum oder auf dedizierter Hardware betrieben. Chat-Oberflächen und Workflows ähneln dabei häufig denen hybrider Systeme, unterscheiden sich jedoch grundlegend in der Art der Datenverarbeitung.
Der zentrale Vorteil lokaler KI-Modelle liegt in der maximalen Datenhoheit. Unternehmen behalten die vollständige Kontrolle über sensible Finanz-, Vertrags- und Unternehmensdaten und können hohe Anforderungen an Datenschutz, Vertraulichkeit und Compliance erfüllen. Dies ist insbesondere in hochsensiblen Restrukturierungs-, Banken- oder M&A-Kontexten von Bedeutung, in denen der Einsatz externer Cloud-Dienste rechtlich oder organisatorisch nicht zulässig ist. Zudem entsteht eine weitgehende Unabhängigkeit von externen Anbietern, etwa im Hinblick auf Preisgestaltung oder Verfügbarkeit.
Dem stehen jedoch erhebliche Herausforderungen gegenüber: Der Betrieb lokaler Sprachmodelle erfordert leistungsfähige Hardware, spezialisiertes technisches Know-how sowie laufenden Aufwand für Wartung, Aktualisierung und Sicherheit. Zudem ist die Modellqualität lokaler Lösungen häufig geringer als die führender Cloud-Anbieter, da diese auf deutlich größere Trainingsdaten und Rechenressourcen zurückgreifen können. Lokale KI eignet sich daher weniger für explorative oder allgemeine Anwendungsfälle, sondern für klar definierte, kontrollierte Szenarien.
PRAXISHINWEIS
In der Praxis werden lokale KI-Modelle vor allem dort eingesetzt, wo Datensensibilität Vorrang vor maximaler Modellleistung hat. Typische Einsatzfelder sind interne Dokumentenanalysen, geschlossene Wissensdatenbanken oder sogenannte Retrieval-Augmented-Generation-Systeme (RAG), bei denen KI-Modelle gezielt auf unternehmensinterne Inhalte zugreifen. Ein Beispiel ist der Einsatz von Chat-Oberflächen wie LibreChat in Kombination mit lokalen Modellverwaltungen wie Ollama, über die Sprachmodelle vollständig On-Premise betrieben und gesteuert werden können.
Teil 3 dieses Beitrags erscheint in Kürze hier auf tax&bytes.
____________________________________________
Dies ist Teil 2 des Beitrags aus NWB 2026, Seite 47. Teil 1 finden Sie hier.
SNEAK 👀 – Exklusiv bei tax&bytes! Lesen Sie den Artikel jetzt kostenlos und in voller Länge in der NWB-Datenbank 🤫
IM BEITRAG ERWÄHNTE TOOL-KATEGORIEN 
KÜNSTLICHE INTELLIGENZ (KI)
Künstliche Intelligenz (KI) revolutioniert zahlreiche Branchen, und die Steuerberatung ist keine Ausnahme.
