Sie sehen sich mit einer Reihe von Anomalien konfrontiert, die bis Ende der Woche in einen fundierten Ermittlungsplan überführt werden sollen. Die berufliche Falle besteht darin, einen von der KI generierten Hinweis wie eine bereits feststehende Schlussfolgerung zu behandeln: Sobald Sie einen statistischen Ausreißer als Beleg für ein Fehlverhalten interpretieren, riskieren Sie eine Fehlleitung von Ermittlungsressourcen, eine Beeinflussung von Zeugengesprächen sowie die Erstellung von Unterlagen, die im Rahmen von Offenlegungsverfahren (Discovery) vorgelegt werden müssen und eine ungerechtfertigte Vorverurteilung bewirken können.
Die Rolle der KI in diesem Arbeitsablauf ist klar umrissen, aber wertvoll. Sie kann große Transaktionsmengen sichten, beachtenswerte Muster aufzeigen und einen ersten Entwurf für die Einordnung und Priorisierung der Sachverhalte (Triage) erstellen. Ihre Aufgabe ist jener Teil, der die berufliche Verantwortung trägt. Sie entscheiden, welche Bedeutung der Hinweis im Kontext eines Betrugsszenarios hat, welche harmlosen Erklärungen ausgeschlossen werden müssen, welche zusätzlichen Belege erforderlich sind und wie die Integrität der Beweismittel gewahrt bleibt, sollte der Fall eskalieren.
Bevor Sie ein Verfahren anwenden, müssen Sie sich der Grenzen bewusst sein: Die Ergebnisse der KI dienen der Generierung von Ermittlungsansätzen; sie sind weder ein Beweis für Betrug oder Vorsatz noch eine direkte Zuordnung zu einer bestimmten Person. Wenn diese Grenze verschwimmt, wird jedes nachfolgende Arbeitsergebnis fachlich angreifbar.
Um die weiteren Inhalte dieser Lektion zu verankern, sehen Sie sich bitte die Fallunterlagen sowie die erwarteten Arbeitsergebnisse an, für deren Erstellung Sie letztlich verantwortlich wären.
Bei einer typischen internen Untersuchung für einen US-amerikanischen Vertriebshändler des Mittelstands bestehen die Arbeitsergebnisse aus einem Risikoregister, das die Risiken nach Priorität ordnet, sowie einem sogenannten „Lead Memo“. Letzteres weist den Prüfer genau an, welche Schritte als Nächstes zu unternehmen sind. Diese Dokumente müssen einer kritischen Prüfung standhalten; daher ist eine klare Trennung zwischen beobachteten Fakten, analytischen Auffälligkeiten (Flags) und Untersuchungshypothesen unerlässlich.
Ein Lead Memo gewinnt an Glaubwürdigkeit, indem es Einschränkungen offen benennt. Es legt dar, was die Daten zeigen, welche Punkte das Modell markiert hat und welche Voraussetzungen erfüllt sein müssten, damit ein Betrugsszenario plausibel erscheint. Zudem werden alternative Erklärungen für das beobachtete Muster aufgeführt. Ein Memo, das mögliche harmlose Erklärungen außer Acht lässt, wirkt nicht entschlossen, sondern voreingenommen – und genau durch Voreingenommenheit können sich interne Angelegenheiten zu rechtlichen Problemen ausweiten.
Der erste Schritt der Interpretation besteht darin, ein Muster einer bestimmten Betrugskategorie zuzuordnen, um ein schlüssiges Vorgehen für die weiteren Schritte zu gewährleisten. Gemäß der ACFE-Klassifizierung äußert sich Vermögensveruntreuung typischerweise durch einen Abfluss von Werten aus dem Unternehmen, etwa über Auszahlungen oder die Lohnbuchhaltung. Korruption zeigt sich häufig in problematischen Lieferantenbeziehungen, Preisabweichungen oder der Umgehung von Genehmigungsverfahren. Bilanzbetrug manifestiert sich oft in Aktivitäten zum Periodenabschluss, die nicht nur den Zahlungsfluss, sondern die ausgewiesene Unternehmensleistung beeinflussen.
Diese Zuordnung ist entscheidend, da dasselbe Muster unterschiedliche Ursachen haben kann. Doppelte Rechnungsnummern in der Kreditorenbuchhaltung könnten auf ein Kontrollversagen, einen Fehler bei der Systemumstellung oder eine gezielte Aufteilung von Zahlungen (Split-Payment-Betrug) hindeuten. KI kann Dubletten zwar schnell identifizieren, liefert jedoch ohne den entsprechenden Kontext – den Sie selbst beschaffen und bewerten müssen – keine Auskunft darüber, welcher Sachverhalt tatsächlich vorliegt.
Nutzen Sie die Zuordnung von Mustern zu Betrugsszenarien, um zu üben, wie man die Aussagekraft eines Musters präzise differenziert: Was deutet darauf hin, und was lässt sich damit (noch) nicht beweisen?
Wenn Sie ein LLM für die Triage einsetzen, delegieren Sie damit nicht die eigentliche Urteilsbildung. Vielmehr steuern Sie einen Assistenten so, dass er Hinweise in neutraler Sprache und unter Angabe konkreter Schritte zur Verifizierung liefert. Ein berufliches Risiko besteht darin, dem Modell die Verwendung absichtsbezogener Begriffe wie „Betrug“ oder „Verschleierung“ zu gestatten; eine solche Wortwahl kann in E-Mails, Gesprächsleitfäden und Arbeitspapiere einfließen und die Neutralität untergraben, zu deren Wahrung Sie verpflichtet sind.
Ein zweckmäßiger Rahmen für die Triage erzwingt vier Aspekte im Ergebnis: Er definiert das Ziel als Priorisierung statt als abschließende Bewertung. Er beschränkt das Modell darauf, ausschließlich die von Ihnen bereitgestellten Datenfelder zu berücksichtigen. Er verlangt, dass zu jedem markierten Hinweis auch unbedenkliche Erklärungen aufgeführt werden. Zudem fordert er Angaben zu weiteren Schritten, die den Hinweis bestätigen oder entkräften könnten – etwa die Prüfung von Quelldokumenten, die Analyse von Genehmigungsverfahren oder eine unabhängige Bestätigung.
Entwerfen oder optimieren Sie einen strukturierten Prompt für die Triage, der priorisierte Hinweise und konkrete Verifizierungsschritte liefert, ohne dabei Anschuldigungen einzubeziehen.