Analyse von Jahresabschlüssen & Geschäftsberichten (Spreading)

Kreditanalysten, Prüfer und Investoren verbringen Stunden damit, Zahlen aus uneinheitlichen PDF- Jahresabschlüssen in eine Standardvorlage zu übertragen („Spreading“) und danach Kennzahlen zu berechnen. KI- Dokumentenverarbeitung plus LLM-Zuordnung liest die Abschlüsse, ordnet jede Zeile dem richtigen Standardkonto zu, prüft, ob die Summen stimmen, und verknüpft jede Zahl mit ihrer Quellseite. Die Analystin oder der Analyst prüft Ausnahmen, statt zu tippen, und kann einem 300-seitigen Bericht Fragen mit Zitaten stellen.

Problem & Nutzen

• Heute: Banken, Leasinggesellschaften, Kreditversicherer und Rating-/Beratungsteams erhalten Abschlüsse von KMU- Kreditnehmern (HGB/IFRS, oft als Scan oder PDF vom Steuerberater) und tippen sie manuell in ein Spreading-Werkzeug oder Excel ab. Aktienanalysten und Prüfer tun dasselbe bei börsennotierten Unternehmen. Die Zuordnung unterschiedlich benannter Posten („sonstige betriebliche Erträge“, „Rückstellungen“) ist der langsame, fehleranfällige Schritt.
• KI-Nutzen: schnellerer erster Entwurf des Spreads, einheitliche Zuordnung über Analysten hinweg, eingebaute rechnerische Prüfungen, Rückverfolgbarkeit bis zur Seite und Fragen in natürlicher Sprache zu langen Berichten.
• Evidenz zu den Grenzen: Die FinanceBench-Studie stellte fest, dass GPT-4-Turbo mit einem Retrieval-System 81 % der Fragen zu Veröffentlichungen börsennotierter Unternehmen falsch beantwortete oder verweigerte [1] – ein Ergebnis von 2023 mit frühen Modellen, das aber zeigt, warum reines RAG auf Veröffentlichungen nicht genügt und warum strukturierte Extraktion plus Verifikation die Entwurfsnorm ist. Von Anbietern berichtete Zeitersparnisse gibt es, sie sind aber nicht unabhängig verifiziert; messen Sie Ihre eigene Ausgangslage.
• Datenvorteil: Für börsennotierte EU-Emittenten werden Jahresfinanzberichte im ESEF veröffentlicht (XHTML mit Inline-XBRL-Tags für IFRS-Konzernabschlüsse; Anhänge seit 2022 blockweise getaggt) [2], und die SEC veröffentlicht vierteljährlich aus XBRL abgeleitete Financial Statement Data Sets [3]. Wo Tags vorhanden sind, lesen Sie diese aus, statt OCR zu nutzen; KI wird für den langen Rest gebraucht (KMU-PDFs, Anhänge, Fließtext).

Varianten

• Kredit-Spreading (Banken, Sparkassen/Volksbanken, Leasing, Factoring): Abschlüsse von KMU-Kreditnehmern in eine Bankvorlage; speist Rating und Kreditvermerk. Eng verwandt mit DOC-017 (Kontoauszüge) und DOC-003.
• Investoren- / Aktienresearch: Extraktion von Kennzahlen und Segmentdaten aus Geschäftsberichten, Ergebnismitteilungen und Transkripten; Vergleichstabellen mit Wettbewerbern.
• Prüfung & Controlling: Abstimmung der Berichtszahlen mit der Summen- und Saldenliste, Checklisten für Angaben, Fortschreibungsprüfungen für Anhangangaben.
• Konzern/M&A: Finanzdaten des Zielunternehmens in einem Datenraum (siehe DOC-011), Normalisierungsanpassungen (EBITDA-Brücke).
• Öffentlicher Sektor: Eignungsprüfungen bei Vergaben (finanzielle Leistungsfähigkeit von Bietern), Prüfung von Förderantragstellern.
• Private Nutzung: Kleinanleger fassen einen Geschäftsbericht zusammen; sinnvoll mit einem allgemeinen Chat-Assistenten, kein Spezialwerkzeug nötig.
• Mehrjahres- / Anpassungsbehandlung: Vergleichszahlen angleichen und geänderte Bilanzierungsmethoden erkennen.

So funktioniert es

1. Eingang (PDF / Scan / ESEF-XHTML / Excel)
2. Formaterkennung (iXBRL getaggt?
3. Tags direkt auslesen | PDF/Scan
4. Layout + OCR)
5. Seitenklassifikation (Bilanz, GuV, Kapitalflussrechnung, Anhang, Prüfungsbericht)
6. Tabellenextraktion (mehrseitige Tabellen, Einheiten „in TEUR“, Vorzeichenkonventionen, Spalten = Jahre)
7. Zuordnung der Posten zum Standardkontenrahmen (Regeln + Embeddings + LLM, mit Schlussfolgern bei mehrdeutigen Bezeichnungen)
8. Validierung (Aktiva = Passiva + Eigenkapital, Zwischensummen, abschlussübergreifende Prüfungen, Vorjahresvergleichszahlen)
9. Kennzahlen-Engine (deterministischer Code, kein LLM) + Kommentarentwurf mit Zitaten
10. Prüfansicht der Analysten (Quellseite hervorgehoben, unsichere Zellen markiert)
11. Export in Spreading- / Rating- / Kernbankensystem; Prüfprotokoll

• Dokumentenverarbeitung: Ein layoutbewusster Parser oder VLM liefert Tabellen als strukturierte Daten; mehrseitige Tabellen und gescannte Abschlüsse bleiben der schwierigste Schritt.
• Zuordnung: Ein Zuordnungsgedächtnis je Bankvorlage (Bezeichnung → Konto) beantwortet die meisten Zeilen deterministisch; ein LLM behandelt neue Bezeichnungen und schlägt eine Zuordnung mit Begründung vor.
• Berechnungen bleiben im Code. LLMs extrahieren und erklären; Kennzahlen und Summen werden deterministisch berechnet.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Analystin oder der Analyst gibt jeden Spread frei; Kreditentscheidungen werden durch diesen Schritt nie automatisiert.

Datenaufbereitung

Jahresabschlüsse kommen als PDFs von Kreditnehmern, als Scans, als Downloads aus dem Bundesanzeiger oder Register und zunehmend als ESEF/iXBRL-Dateien. Die Zieldaten liegen im Kontenrahmen der Bank oder des Beraters, in Spreading-Vorlagen (oft Excel) und in früheren Spreads im Kreditsystem oder auf Dateiablagen. Typische Lücken: gescannte Abschlüsse, je nach Unternehmen abweichende Formate und Darstellung, mehrere Versionen derselben Periode, keine einheitliche Kontenzuordnung und Spreads, die nur als Tabellen der Analysten existieren.

Aufbereitungsschritte: (1) die Zielvorlage und den Kontenrahmen festlegen und Zuordnungsregeln niederschreiben (PREP-012, PREP-019); (2) geprüfte frühere Spreads als Goldstandard-Beispiele und als Testsatz sammeln (PREP-016, PREP-018); (3) die Excel-Vorlagen in saubere Tabellen umbauen (PREP-011); (4) Scans per OCR erfassen und XBRL bevorzugen, wo verfügbar (PREP-006); (5) Daten früherer Perioden aus dem Kreditsystem exportieren (PREP-005); (6) Zweck und Rechtsgrundlage für die Weiterverwendung von Kreditnehmerdaten klären (PREP-025). Verwandt: DOC-014, DATA-003.

Grober Anteil: 25 bis 35 Prozent des Aufwands, dominiert von der Vorlagendefinition und dem Sammeln geprüfter Beispiele.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg B, weil Spreading-Plattformen für Banken bepreist sind, ein kleiner Berater oder ein Finanzteam daher mehr von einer leichten Pipeline aus Dokumentenverarbeitung, Cloud-LLM und einer Excel-Vorlage hat.
• Großunternehmen: Weg B, weil die Spreads in die eigene Vorlage der Bank, die Rating-Werkzeuge und den Kreditworkflow einfließen müssen; Weg A passt nur, wo bereits eine Plattform lizenziert ist.
• Entwickler: Weg B, weil Dokumentenverarbeitung plus ein LLM mit Herkunftsprüfung schnell zu bauen ist und ESEF/iXBRL-Dateien ohne OCR gelesen werden können.
• Öffentlicher Sektor: Weg C in einer souveränen EU-Cloud, weil öffentliche Kreditgeber und Behörden dem Vergaberecht unterliegen und sensible Kreditnehmerdaten verarbeiten.

Weg A — Kaufen (Standardsoftware)

Passt, wo bereits eine Spreading-Plattform lizenziert ist. - Spreading- und Kreditanalyse-Plattformen: Moody's (CreditLens / Werkzeuge für Financial Spreading), S&P Capital IQ Pro, Kreditsuiten von nCino und Finastra; Spezialisten für Dokumenten-KI wie Rossum, Hypatos, ABBYY, Klippa (NL), Docugami. EU-/deutsche Optionen: Hypatos (DE), Klippa (NL) sowie die Banken-IT-Dienstleister Finanz Informatik (Sparkassen) und Atruvia (Volks- und Raiffeisenbanken), deren Angebote für den Kreditprozess zuerst geprüft werden sollten. Produktnamen und KI-Funktionen ändern sich schnell und wurden hier nicht einzeln verifiziert; bestätigen Sie sie beim Anbieter. - Investorenseite: FactSet, LSEG Workspace, Bloomberg, AlphaSense bieten KI-gestützte Analyse von Veröffentlichungen (US-gehostet; Datenstandort prüfen). - Wählen Sie A, wenn: Sie einen zertifizierten, unterstützten Workflow mit Integration in das Ratingsystem und wenig Entwicklungskapazität brauchen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Dokumentenverarbeitung: Azure AI Document Intelligence Layoutmodell (Tabellen, Markdown-Ausgabe, EU-Regionen verfügbar) [4], Google Document AI (Standort EU), AWS Textract (Frankfurt), Mistral OCR (EU-Anbieter).
• Extraktion/Zuordnung: multimodale Spitzenmodelle (Claude, Gemini, GPT, Mistral) mit strukturierten Ausgaben nach JSON-Schema; Reasoning-Modelle für die Zuordnung mehrdeutiger Zeilen und für den Gegenabgleich mit dem Anhang. Bevorzugen Sie Endpunkte in EU-Regionen (Azure OpenAI EU Data Zone, Vertex AI EU, Bedrock Frankfurt, Mistral La Plateforme) und einen AVV.
• Orchestrierung: n8n / Power Automate / eigenes Python; Arelle für XBRL/ESEF-Validierung und -Verarbeitung [5].
• Wählen Sie B, wenn: Sie eine individuelle Vorlage haben, schnell iterieren wollen und kein On-Premises-Mandat besteht.

Weg C — Selbst betreiben (Open Source)

• Dokumentenverarbeitung: Docling (MIT-Lizenz, Erkennung der Tabellenstruktur, Layout, Lesereihenfolge) [6], PaddleOCR / PaddleOCR-VL, MinerU, Marker.
• Modelle: Open-Weight-VLMs/LLMs wie Qwen-VL und die Qwen3-Familie, Modelle der Mistral- und Llama-Familien, Gemma, bereitgestellt über vLLM; Embeddings wie BGE-M3 oder multilingual-e5, Reranker bge-reranker; Postgres/pgvector oder Qdrant.
• XBRL: Arelle (Apache 2.0) für iXBRL/ESEF-Verarbeitung und Validierung nach dem ESEF Reporting Manual [5].
• Hardware: HW3 (eine GPU mit 48-96 GB) für Modelle mit ~30-70B, die über den Anhang schlussfolgern; HW2 genügt für reine Extraktion mit einem kleinen VLM. Banken brauchen oft diesen Weg, weil Kreditnehmerdaten das Institut nicht verlassen dürfen.

Weg D — Eigenes Training

Lohnend für Banken mit großen Archiven von Abschlüssen und ihren von Menschen geprüften Spreads (Tausende Abschlüsse): einen Zuordnungsklassifikator (Bezeichnung zu Vorlagenkonto) oder ein kleines VLM für das Lesen von Tabellen feintunen. Geprüfte Spreads aus früherer Analystenarbeit sind fertige Trainingsdaten. Für die meisten anderen genügen Prompting plus ein Zuordnungsgedächtnis.

Stand der Technik (2026)

• Zuerst getaggte Daten: ESEF/iXBRL für börsennotierte EU-Emittenten und SEC-XBRL sind maschinenlesbar, daher ist die Extraktion dort weitgehend gelöst [2][3]; die SEC selbst weist darauf hin, dass sie die Genauigkeit der Daten nicht garantiert, und empfiehlt, die vollständigen Veröffentlichungen zu prüfen [3]. Die ESMA hat vorgeschlagen, ESEF auf die ESRS-Nachhaltigkeitsberichterstattung auszuweiten (siehe DATA-012) [2].
• Unstrukturierte KMU-Abschlüsse bleiben der eigentliche Anwendungsfall: Die Parserqualität hat sich mit VLM-basierten Dokumentenmodellen deutlich verbessert, doch mehrseitige Tabellen, verschachtelte Zwischensummen, gemischte Einheiten und gescannte Abschlüsse verursachen weiterhin Fehler. Berichtete Benchmark-Werte zur allgemeinen Dokumentenverarbeitung lassen sich nicht direkt auf Finanztabellen übertragen; testen Sie an Ihren eigenen Dokumenten.
• Benchmarks: FinanceBench (150 annotierte Fragen zu SEC-Veröffentlichungen) legte die Schwäche reiner Retrieval- Systeme offen [1]; neuere Langkontext- und Reasoning-Modelle schneiden weit besser ab, doch kein Benchmark ersetzt einen Genauigkeitstest auf Feldebene an Ihrer Vorlage.
• Techniken, die funktionieren: Klassifikation des Seitentyps vor der Extraktion; Tabelle-zu-Struktur mit Prüfung von Bilanzidentitäten als automatische Verifizierer; hybride Zuordnung (Regeln + Embeddings + LLM); deterministischer Kennzahlencode; Zitate nach Seite und Zelle.
• Fehlerbilder: Fehler bei Einheit/Skalierung (EUR vs. TEUR), Vorzeichenwechsel, Verwechslung von Spalten zwischen Jahren, halluzinierte Werte bei abgeschnittenen Tabellen, Ignorieren von Anpassungen früherer Zahlen und von Formulierungen zur Unternehmensfortführung im Anhang.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + vlm + llm-general): DOC-014 (PDF-/Tabellenverarbeitung für RAG), DOC-001 Rechnungen, DOC-003 Kreditformulare, DOC-017 Kontoauszüge und Gehaltsabrechnungen; ein GPU-Server und ein Verarbeitungsdienst können alle bedienen.
• RAG-Schicht (embedding-text, vector-db, reranker): gemeinsam mit DOC-011 Due Diligence und anderen Fragen-und-Antworten-Anwendungen über lange Dokumente.
• Nachgelagert/vorgelagert: ANOM-017 (Erkennung von Manipulation und synthetischen Dokumenten vor dem Spreading), DATA-012 (CSRD/ESRS-Daten), LANG-037 (ESG-Analysen für Investoren), AGENT-006 (Abschluss und Abstimmung, mit der Controlling-Sicht auf eigene Abschlüsse); tabular-ml für das Ausfallrisiko-Scoring folgt nach dem Spread.
• Workflow-Engine (n8n/Camunda) und Speicher für Prüfprotokolle werden mit anderen Back-Office-Anwendungsfällen geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Integration in das Rating-/Kreditsystem und Datenschutzprüfung).
• Weg B: 2-4 Monate für eine Produktivpipeline inkl. Vorlagenzuordnung und Prüfoberfläche; API-Kosten je Abschluss sind im Verhältnis zur Analystenzeit gering.
• Weg C: 3-6 Monate; GPU-Server (HW3) plus Betriebs- und Modellaktualisierungsaufwand.
• Weg D: zusätzlich 2-3 Monate für Datenaufbereitung und Evaluation.
• Kennzahlen: Genauigkeit auf Feldebene gegenüber von Analysten geprüften Spreads, Anteil der Abschlüsse ohne Korrekturen, Analystenminuten je Spread, Trefferquote des Zuordnungsgedächtnisses, Anzahl erkannter rechnerischer Unstimmigkeiten, Durchlaufzeit bis zur Kreditentscheidung.

Menschen & Veränderung

Binden Sie die Leitung Kredit oder Finanzen als Prozessverantwortliche ein, die Analysten, die täglich Abschlüsse spreaden (sie legen die Zuordnungsregeln fest und beurteilen die Qualität), die IT für das Kreditsystem und die Datenexporte, die Datenverantwortlichen für Vorlage und frühere Spreads, die oder den Datenschutzbeauftragten und die Geschäftsleitung für den Umfang. Kunden sind über Kreditentscheidungen mittelbar betroffen; entscheiden Sie daher, welche Ausgabe ihnen gezeigt wird.

Betriebsrat: abhängig vom Fall. Das Spreading bewertet keine Beschäftigten, doch die Auswertung der Ausgabe je Analyst (Menge, Korrekturquoten) kann das System zur Leistungsüberwachung nach § 87 Abs. 1 Nr. 6 BetrVG geeignet machen, und § 90 Abs. 1 Nr. 3 verlangt eine frühzeitige Unterrichtung; Banken haben meist einen Betriebsrat, informieren Sie ihn daher vor dem Pilot. Datenschutz: Abschlüsse von Einzelunternehmern und kleinen Personengesellschaften enthalten personenbezogene Daten, schließen Sie daher einen AVV (Art. 28 DSGVO) ab und erwägen Sie eine DSFA. Fließen Ausgaben in Kreditwürdigkeitsentscheidungen über natürliche Personen ein, kann das System nach Anhang III der KI-Verordnung hochriskant sein, mit Pflichten ab dem 2. Dez. 2027.

KI-Kompetenz: Unterstützen Sie die Analysten mit Schulungen zum Erkennen von Extraktionsfehlern, z. B. Einheiten- und Vorzeichenfehlern (Art. 4 KI-Verordnung). Pilot mit 3 Analysten an einem abgeschlossenen Satz früherer Kreditnehmer und Vergleich mit ihren Spreads. Sorge: Kompetenzverlust und Kreditrisiko; begegnen Sie ihr mit verpflichtender Freigabe durch die Analysten und Herkunftsnachweis auf Zellebene. Siehe GUIDE-009, GUIDE-014, GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Das Spreading von Unternehmensabschlüssen ist selbst ein Entscheidungsunterstützungswerkzeug und typischerweise nicht hochriskant. Anhang III Nr. 5 lit. b erfasst KI-Systeme, die zur Bewertung der Kreditwürdigkeit natürlicher Personen oder zur Ermittlung ihres Kredit-Scores eingesetzt werden (Betrugserkennung ausgenommen) [7]. Die Einstufung hängt daher vom Fall ab: Spreading für Unternehmenskreditnehmer liegt in der Regel außerhalb, doch wenn die Ausgabe in eine Kreditwürdigkeits- oder Scoring- Entscheidung über Einzelunternehmer oder Privatpersonen einfließt, gelten die Pflichten für Hochrisiko-Systeme (Risikomanagement, Daten- Governance, Protokollierung, menschliche Aufsicht). Keine Rechtsberatung; je Einsatz bewerten.
• Bankenaufsicht: Die EBA-Leitlinien zur Kreditvergabe und Überwachung verlangen eine solide Kreditwürdigkeitsprüfung (anwendbar seit 30. Juni 2021) [8]; DORA (IKT-Drittparteienrisiko) und die MaRisk der BaFin (BAIT wurde 2025 durch DORA abgelöst) gelten für ausgelagerte KI-Dienste; behalten Sie das Modellrisiko- Management (Validierung, Dokumentation, Übersteuerungen) bei.
• DSGVO: Abschlüsse von Einzelunternehmern, Personengesellschaften und kleinen GmbHs mit Daten der Geschäftsführer enthalten personenbezogene Daten; AVV mit Anbietern, EU-Hosting, Zweckbindung, Art. 22 bei automatisierten Einzelentscheidungen.
• Genauigkeit und Haftung: Veröffentlichen Sie KI-gespreadete Zahlen nie und verlassen Sie sich nicht auf sie ohne Prüfung; führen Sie einen Prüfpfad von KI-Vorschlag und endgültigem Wert.
• Gegenmaßnahmen: Prüfung von Bilanzidentitäten, verpflichtende Freigabe durch Analysten, ESEF/XBRL als maßgebliche Quelle, wo verfügbar, Regressionstests mit einem Goldstandard-Satz bei jeder Modelländerung.

Erste Schritte

1. Sammeln Sie 50-100 historische Abschlüsse und die von Analysten geprüften Spreads (inkl. Scans und schlechter PDFs) als Goldstandard-Satz.
2. Prüfen Sie, welche Quellen getaggt sind (ESEF/iXBRL), und leiten Sie diese an Arelle; senden Sie nur den Rest an die Dokumenten-KI.
3. Testen Sie 2-3 Parser (Docling oder Azure Layout, plus ein VLM) am Goldstandard-Satz; messen Sie die Genauigkeit auf Feldebene sowie Einheiten- und Vorzeichenfehler.
4. Bauen Sie das Zuordnungsgedächtnis und deterministische Validierungen (Bilanzprüfung, Zwischensummen), bevor Sie LLM-Kommentare ergänzen.
5. Pilotieren Sie mit einigen Analysten in einer Prüfoberfläche, die die Quellseite zeigt; erfassen Sie Korrekturen und entscheiden Sie über die Skalierung nach Weg A/B/C.

Quellen

1. FinanceBench: A New Benchmark for Financial Question Answering (Islam et al., 2023) — https://arxiv.org/abs/2311.11944
2. ESMA — European Single Electronic Format (ESEF) — https://www.esma.europa.eu/policy-activities/corporate-disclosure/european-single-electronic-format
3. SEC — Financial Statement Data Sets — https://www.sec.gov/data-research/sec-markets-data/financial-statement-data-sets
4. Microsoft — Azure AI Document Intelligence layout model — https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/prebuilt/layout
5. Arelle open-source XBRL platform — https://github.com/Arelle/Arelle
6. Docling project — https://github.com/docling-project/docling
7. EU AI Act, Annex III (high-risk systems), point 5 — https://artificialintelligenceact.eu/annex/3/
8. EBA — Guidelines on loan origination and monitoring — https://www.eba.europa.eu/activities/single-rulebook/regulatory-activities/credit-risk/guidelines-loan-origination-and-monitoring