Ständige Änderungen der rechtlichen Lage lassen gute Steuerberatung immer komplexer werden und stellen Steuerberaterinnen und Steuerberater vor große Herausforderungen.
Dabei steht die wachsende Informationsflut an Gesetzen, Urteilen, Erlassen und Kommentaren den mandantenspezifischen Daten bisher nur gegenüber – eine Verknüpfung fehlt. Denn beide Informations-Cluster sind in zwei getrennten Silos gespeichert – ohne direkte Kommunikation zwischen Gesetz und Mandat. Der Einsatz von innovativen Technologien aus dem Bereich der künstlichen Intelligenz weckt die Hoffnung auf computerbasierte Unterstützung beim alltäglichen Abgleich beider Datenwelten.
Wie praktisch wäre es, wenn der Steuerberaterin bzw. dem Steuerberater jeden Morgen individuelle Handlungsempfehlungen für die jeweiligen Mandant:innen einfach am Bildschirm angezeigt werden würden – ähnlich einem Feed oder einer Timeline in einem sozialen Netzwerk. Klingt wie Zukunftsmusik, ist aber tatsächlich bereits technisch möglich und sogar marktreif.
Durch den kontinuierlichen Abgleich des Rechtsuniversums auf der einen und den Mandantendaten auf der anderen Seite kann automatisiert eine aktuelle Analyse beider Informationssilos durchgeführt werden. Der mühsame Abgleich beider Datenwelten läuft bislang oft ausschließlich über den Schreibtisch der Steuerberaterin bzw. des Steuerberaters. Da viele Tätigkeiten noch manuell durchgeführt werden, sind diese Prozesse oft personalkostenintensiv und zudem sehr fehleranfällig.
Die Lösung: Mit Algorithmen zu strukturierten Daten
Bereits seit Jahrzehnten erhält die Branche Unterstützung durch den Einsatz spezifischer Algorithmen insbesondere in den Bereichen, in denen es um strukturierte und quantitative Daten geht (z. B. in der Buchhaltung). Der Großteil an Informationen für hochwertige Steuerberatung liegt jedoch oft nur als Text vor – in natürlicher Sprache und entsprechend in unstrukturierter Form. So werden Textkorpora an Primärliteratur (Gesetze, Urteile usw.) sowie entsprechende Sekundärliteratur (Kommentare, Gutachten, Verträge, E-Mails etc.) aktuell fast gar nicht automatisiert verwertet. Dabei liegt in ihnen ein großes Datenpotential, das zur steuerjuristischen Würdigung sowie dem Ableiten valider Handlungsempfehlungen sehr hilfreich wäre.
Dadurch, dass Software sowohl den Rechtskorpus als auch die Mandantenakte digital „verstehen” kann, ist ein Abgleich möglich.
Als Folge verrät der Computer der Steuerberaterin bzw. dem Steuerberater unmittelbar, welche bestimmten Gesetze, Urteile, Handlungsempfehlungen oder Gutachten für welchen Mandant:innen mit hoher Wahrscheinlichkeit relevant sind.
So wird nicht nur ein Großteil der Recherchezeit erspart, es können auch proaktiv neue Beratungsanlässe identifiziert werden.
Große Textmengen verstehen und zunutze machen mit KI
Die Technologie dahinter basiert auf Elementen der „künstlichen Intelligenz“, insbesondere dem Natural Language Processing (NLP) und dem Maschinellen Lernen (ML). NLP ist keine einzelne Technologie, sondern eine sich ständig weiterentwickelnde Kollektion an Verfahren, Algorithmen und Methoden, bei denen Software die Verarbeitung sowie ein Verständnis natürlicher (von Menschen gesprochener oder geschriebener) Sprache antrainiert wird.
Zu den Talenten des NLPs gehören zum Beispiel Sprachmodellierung, Transfer Learning, Klassifikation von Texten, Erkennung von Entitäten oder Question Answering.
Besonders am Beispiel Sprachmodellierung lässt sich erkennen, wie verbreitet diese Technologie bereits ist. Aus dem Alltag kennt man dies z. B. von den Wortvorschlägen, die man beim Schreiben einer Nachricht auf dem Smartphone erhält. Hier wird algorithmenbasiert berechnet, welches Wort eine angefangene Wortfolge am wahrscheinlichsten ergänzt.
Ein weiterer vielversprechender Ansatz zum Einsatz von NLP in der Steuerberatung ist das „Transfer Learning“. Hierbei wird ein vortrainiertes Modell, welches in einem Gebiet bereits gut funktioniert, für eine andere artverwandte Aufgabe wiederverwendet und in einer weiteren Lernstufe auf den neuen Anwendungsfall spezialisiert.
Besonders spannend ist auch der Bereich des „Question Answering”, bei dem einer Software der Auftrag erteilt wird, umfangreiche Texte zu „lesen” und anschließend textbezogene Fragen zu beantworten. Gängige Erfolgsbeispiele erreichen aktuell einen Schwierigkeitsgrad von „Wie heißen die Hauptdarsteller in Matrix III?“ nach dem Lesen des entsprechenden Lexikon-Artikels.
Fragt sich, wie Natural Language Processing zur automatisierten Analyse und Lösung von Rechtsfällen im Steuerwesen konkret beitragen kann.
Entdecken Sie das Tax Tech-Verzeichnis
Verschaffen Sie sich einen Überblick
über zukunftsorientierte Lösungen für Ihre Steuerkanzlei.
Damit bleiben Sie auf dem aktuellen Stand
der Digitalisierung und steigern Ihre Arbeitseffizienz.
Praxiseinsatz – automatische Analyse von E-Mails und Dokumenten
Mithilfe dieser Technologie kann z. B. beim Empfang einer Mandanten-E-Mail die Anfrage analysiert, das steuerrechtliche Anliegen erkannt und mit relevanten Dokumenten aus einem Rechtskorpus und/oder kanzleiinternen Dokumenten abgeglichen werden, um die Beantwortung zu beschleunigen. Sogar eine vollautomatisierte Beantwortung ist denkbar.
Noch einen Schritt weiter geht die automatisierte Analyse von Gutachten, Einsprüchen und anderen Schriftstücken bspw. mit Blick auf Themen, Referenzen und Entitäten. Via Integration in gängige Textverarbeitungsprogramme kann bereits bei der Erstellung eines Schriftstücks mit ähnlichen Schriftstücken im kanzleieigenen Dokumenten-Management-System abgeglichen werden, ob vergleichbare Fälle bereits dokumentiert und welche Inhalte, Normen, Argumentationen etc. verwendet wurden. Damit kann das neue Schriftstück schneller und ggf. korrekter generiert werden.
Beim Einsatz von künstlicher Intelligenz im Steuerwesen sind also viele Szenarien denkbar. Und das Potential dahinter ist mächtig. Praxistaugliche Software zur Unterstützung ist längst auf dem Markt erhältlich und hilft, die wachsende Informationsflut gewinnbringend einzusetzen.
Foto: Adobe Stock/© madedee
Steffen Kirchhoff leitet den Bereich Forschung und Entwicklung bei Taxy.io. Nach seinem Studium der Informatik (Diplom) und der Betriebswirtschaftslehre (MBA) an der RWTH Aachen forschte er an der Harvard University im Bereich Machine Learning.
