In den letzten Jahren hat die Künstliche Intelligenz (KI) immense Fortschritte erzielt. Das wohl bekannteste Programm hierbei ist ChatGPT. Die kostenpflichtige ChatGPT-Version 4.0 kann als Large Language Model (LLM) die klassische Online-Suche nach IFRS-Fragen vereinfachen. Allerdings muss der Anwender weiterhin eine bestimmte Kompetenz im Hinblick auf die IFRS-Fachfragen mitbringen.
Large Language Models (LLM) generieren Texte basierend auf vorhandenen Daten und Wahrscheinlichkeitsberechnungen. Der Generative Pre-trained Transformer (GPT) von OpenAI ist wohl der bekannteste LLM. Universell trainierte LLMs markieren eine neue Ära der Nachschlagewerke. Wesentlich für die Qualität einer LLM-Antwort ist allerdings die Qualität der Fragestellung. Ist die Fragestellung offen und unpräzise, ist die Wahrscheinlichkeit für eine unzulängliche Antwort höher.
Die Nutzung von ChatGPT 4.0 als IFRS-Nachschlagewerk:
Im Folgenden wird das Beispiel von Thurow in seinem Beitrag „ChatGPT 4.0 und andere Large Language Models (LLM) als IFRS-Nachschlagewerk“ (IRZ 2024, S. 211) verwendet.
Frage: Wie sind Versicherungsverträge nach IFRS zu bilanzieren?
Antwort ChatGPT: Die Bilanzierung von Versicherungsverträgen nach den International Financial Reporting Standards (IFRS) erfolgt hauptsächlich nach IFRS 17, einem Standard, der speziell für Versicherungsverträge entwickelt wurde. IFRS 17, der am 1. Januar 2023 in Kraft trat, ersetzt den vorherigen Standard IFRS 4 und zielt darauf ab, eine konsistente, prinzipienbasierte Bilanzierung für Versicherungsverträge zu schaffen. Hier sind die Kernpunkte der Bilanzierung von Versicherungsverträgen nach IFRS 17:
1. Anwendungsbereich: IFRS 17 gilt für alle Arten von Versicherungs- und Rückversicherungsverträgen, die ein Unternehmen ausgibt, sowie für bestimmte Garantieverträge, wenn ein Unternehmen entscheidet, diese wie Versicherungsverträge zu behandeln.
2. Anerkennung und Bewertung: Bei der erstmaligen Anerkennung muss ein Unternehmen Versicherungsverträge anhand des sog. „General Model“ (allgemeines Modell), auch bekannt als „Building Block Approach“ (BBA), bewerten, sofern nicht der „Premium Allocation Approach“ (PAA) angewendet wird. Das BBA besteht aus drei Hauptkomponenten:
- Die geschätzten zukünftigen Cashflows, die die erwarteten Zahlungen für Versicherungsleistungen und -kosten einschließen, die aus dem Vertrag resultieren
- Ein Abzinsungssatz, um die Barwerte dieser zukünftigen Cashflows zu berechnen
- Ein Risikoaufschlag für die Unsicherheit der Cashflows
3. Gewinn- oder Verlustrealisierung: IFRS 17 verändert, wie und wann Unternehmen Gewinne aus Versicherungsverträgen erkennen. Unternehmen müssen nun Gewinne aus der Bereitstellung von Versicherungsschutz über die Laufzeit des Vertrags verteilen, anstatt sofort bei Vertragsbeginn.
4. Ausweis und Angaben: Der Standard erfordert, dass Unternehmen detaillierte Angaben zu ihren Versicherungsverträgen machen, einschließlich der zugrunde liegenden Annahmen und Methoden der Bewertung, sowie Informationen über die Risikoexposition, die Profitabilität der Verträge und die Höhe der versicherungstechnischen Rückstellungen.
5. Vergleichbarkeit und Transparenz: Durch die Einführung von IFRS 17 sollen die Vergleichbarkeit und Transparenz in der Finanzberichterstattung über Versicherungsverträge verbessert werden. Dies hilft Stakeholdern die finanzielle Position, die finanzielle Leistung und die Cashflows eines Unternehmens besser zu verstehen.
Die Einführung von IFRS 17 stellt für viele Unternehmen eine bedeutende Herausforderung dar, da sie eine umfassende Überarbeitung der bisherigen Bilanzierungspraktiken erfordert. Die Umstellung beinhaltet nicht nur Änderungen in der finanziellen Berichterstattung, sondern auch in den IT-Systemen, Prozessen und möglicherweise auch in der Produktgestaltung und Preisstrategie von Versicherungsprodukten.
Das obenstehende Beispiel bringt das Problem mit sich, dass die Frage zu offen gestellt wurde. Einen großen Unterschied bei der Bilanzierung stellt das jeweilig zu bilanzierende Jahr dar. Wird die Frage dagegen mit dem Zusatz des Jahres erweitert, ergibt sich eine völlig neue Antwort.
Inhaltskontrolle mittels LLM:
Neben dem bereits genannten LLM ChatGPT gibt es auch eine Reihe anderer LLM-Programme, z. B. von Microsoft das LLM „Copilot“ und von Google „Gemini“. Durch das Angebot an Alternativen lassen sich LLMs zur Kontrolle anderer LLMs einsetzen. Vorsicht ist dennoch geboten, da die LLM-Programme noch nicht völlig für die Rechnungslegungspraxis ausgelegt sind. Dies wird vor allem in dem Beitrag von Thurow „ChatGPT 4.0 und andere Large Language Models (LLM) als IFRS-Nachschlagewerk“ (IRZ 2024, S. 211) verdeutlicht.
Fazit:
Ein LLM kann im Idealfall ein umfangreiches IFRS-Nachschlagewerk sein, mit dem maßgeschneiderte Antworten erzeugt werden können. Die Qualität der Antworten hängt dabei wesentlich von der Qualität der Frage ab. Je offener die Frage ist, desto ungenauer kann die Antwort ausfallen. Die Antworten und die Qualität der Antworten unterscheiden sich von LLM zu LLM. Anwender sollten daher mittels einiger einfacher Fragen herausfinden, welches LLM für das jeweilige Anwendungsgebiet die besten Antworten liefert.
Die Aussagen des LLM sollten nicht ohne eine kritische Überprüfung übernommen werden. Bei komplexen IFRS-Fragen ist es beispielsweise sinnvoll, die jeweilige Quelle anzeigen zu lassen. Des Weiteren empfiehlt es sich, Zeit und Ort in die Frage aufzunehmen, um eine präzisere Antwort zu erhalten.
Auch können zur Überprüfung der mittels LLM generierten Antworten andere LLM verwendet werden. Dennoch sollte die Aussagen eines LLM immer durch eine Fachkraft kritisch geprüft werden. LLM-Aussagen lassen sich schneller generieren, als sie den Fachleuten manuell verifiziert werden können. Hierbei wird sich die Rolle der Bilanzierungspraktiker von der Erstellung zur Überprüfung von Fachaussagen verschieben. Im Ergebnis werden LLM damit künftig deutlichen Einfluss auf die Arbeitsweisen – auch im Bereich der Rechnungslegung und bei der Beurteilung einzelner Fragestellungen nehmen –, sie werden allerdings die menschliche Komponente nie ersetzen können. Insofern sind LLMs ein wichtiger „Mitarbeiter“ und „Kollege“, die im Einzelfall – bei zutreffender und richtiger Anwendung bzw. Fragestellung – helfen und unterstützen können. Die letztliche Würdigung sowie die Schlussfolgerungen bleiben indes weiterhin dem einzelnen Anwender überlassen.
