Artificial Intelligence in Accounting: A Systematic Literature Review

In der Welt der modernen Finanzwirtschaft haben Zahlen schon immer eine Geschichte erzählt, aber die Art und Weise, wie diese Geschichten gelesen werden, verändert sich. Jahrzehntelang haben Buchhalter und Wirtschaftsprüfer auf menschliches Urteilsvermögen vertraut, um Geschäftsbücher zu prüfen, Fehler aufzuspüren und sicherzustellen, dass Finanzberichte ehrlich sind. Heute tritt eine neue Art von Werkzeug in das Büro ein: künstliche Intelligenz. Dies ist nicht eine einzelne Maschine, sondern eine Sammlung intelligenter Computerprogramme, die in der Lage sind, aus Daten zu lernen. Diese Werkzeuge können tausende von Dokumenten in Sekundenschnelle scannen und nach Mustern suchen, die dem menschlichen Auge entgehen könnten. Sie werden eingesetzt, um Routineaufgaben zu automatisieren, finanzielle Risiken vorherzusagen und Betrug aufzuspüren. Doch während diese Werkzeuge immer gebräuchlicher werden, bleibt eine Frage: Wie viel verstehen wir wirklich über ihre Auswirkungen auf den Berufsstand? Ersetzen sie menschliche Entscheidungsträger oder fungieren sie lediglich als leistungsstarke Assistenten? Die Antworten sind über hunderte neuer Studien verstreut, was eine Landschaft schafft, die reich an Informationen, aber schwierig zu navigieren ist.

Um Klarheit in dieses wachsende Feld zu bringen, unternahm ein Forscher namens Jinwoo Chae von der GlobalNxt University den Versuch, den aktuellen Wissensstand abzubilden. Das Ziel bestand nicht darin, eine spezifische Software zu testen oder ein neues Experiment durchzuführen, sondern die existierende Forschung, die zwischen 2023 und 2026 veröffentlicht wurde, zu sammeln und zu organisieren. Der Forscher begann mit einer Liste von 49 Datensätzen, die Fachartikel, Buchkapitel und Datenberichte umfassten. Nach sorgfältiger Entfernung von Duplikaten und Studien, die nicht in den Bereich der Buchhaltung fielen, blieben 47 Publikationen für die Untersuchung übrig. Der Prozess beinhaltete das Lesen der Titel und Arten dieser Werke, um sie nach Jahr, Thema und Methode zu kategorisieren. Es war ein systematisches Bemühen, um zu sehen, wohin sich die Forschung bewegt, welche Fragen gestellt werden und wo die Wissenslücken noch bestehen.

Das Erste, was die Übersicht enthüllte, war die schiere Geschwindigkeit des Wachstums in diesem Bereich. Die Anzahl der veröffentlichten Studien ist in nur wenigen Jahren explodiert. Im Jahr 2023 gab es nur vier Studien auf der Liste. Bis 2024 hatte sich diese Zahl mehr als verdoppelt. Das Momentum setzte sich in den Jahren 2025 und 2026 mit 16 bzw. 18 Studien fort. Insgesamt wurden 34 der 47 Studien, was etwa 72 Prozent entspricht, allein in den letzten zwei Jahren veröffentlicht. Dieser rasche Anstieg deutet darauf hin, dass sich die Diskussion über künstliche Intelligenz in der Buchhaltung von einem Nischenthema zu einem zentralen Diskussionsthema entwickelt. Die Übersicht stellte jedoch auch fest, dass diese Liste eine spezifische Momentaufnahme der verfügbaren Literatur darstellt und nicht als vollständige Zählung aller jemals zum Thema geschriebenen Studien betrachtet werden sollte.

Beim Blick darauf, worum es in diesen Studien tatsächlich ging, zeichnete sich ein klares Muster ab. Die Forschung konzentriert sich stark auf zwei Hauptbereiche: allgemeine Übersichten darüber, wie künstliche Intelligenz in die Buchhaltung und Wirtschaftsprüfung passt, und die spezifische Anwendung dieser Werkzeuge zur Betrugserkennung. Fast zwei Drittel der Studien fallen in diese Kategorien. Insbesondere die Betrugserkennung ist ein konzentrierter Interessensbereich, da Computer außergewöhnlich gut darin sind, massive Datenmengen zu durchsieben, um ungewöhnliche Muster zu finden, die auf Unregelmäßigkeiten oder Fehler hindeuten könnten. Die Wirtschaftsprüfung, die die Überprüfung der Richtigkeit von Finanzunterlagen beinhaltet, ist die zweithäufigste untersuchte Funktion. Im Gegensatz dazu scheinen andere wichtige Teile der Welt der Buchhaltung, wie etwa die Kosten- und Leistungsrechnung – die Unternehmen bei der Planung und Kontrolle ihrer Abläufe hilft –, in der aktuellen Forschung fast vollständig zu fehlen, da nur eine Studie diesem Bereich gewidmet ist. Auch die Besteuerung ist selten das Hauptaugenmerk und erscheint meist nur als kleiner Teil breiterer Titel.

Die Methoden, die in diesen Studien verwendet wurden, erzählen einen weiteren Teil der Geschichte. Ein großer Teil der Arbeiten besteht aus Übersichtsarbeiten (Reviews), bei denen Forscher zusammenfassen, was andere bereits herausgefunden haben. Etwa 13 Prozent der Studien sind systematische Literaturübersichten und weitere 15 Prozent sind narrative oder konzeptionelle Übersichtsarbeiten. Nur eine sehr geringe Anzahl der Studien, genau eine, die anhand ihres Titels eindeutig identifiziert werden konnte, präsentierte neue Feldeinnahmen oder Daten, die aus realen Experimenten gesammelt wurden. Dies bedeutet, dass der aktuelle Wissensstand mehr auf der Zusammenfassung von Ideen und der Diskussion von Möglichkeiten basiert als auf dem Testen dieser mit harten Daten aus tatsächlichen Buchhaltungsunternehmen. Während diese Übersichtsarbeiten nützlich sind, um ein breites Bild eines sich schnell bewegenden Feldes zu erhalten, weist der Forscher darauf hin, dass eine zu starke Abhängigkeit von ihnen die Fähigkeit einschränkt, fundierte, evidenzbasierte Schlussfolgerungen zu ziehen.

Die Übersicht hob auch die Notwendigkeit einer größeren Präzision bei der Beschreibung dieser Technologien hervor. Einige Studien behandeln alle Formen der künstlichen Intelligenz als ein einziges, einheitliches Werkzeug. Der Forscher argumentiert jedoch, dass dies irreführend ist. Es gibt wichtige Unterschiede zwischen einfacher regelbasierter Automatisierung, die strikten Anweisungen folgt, und fortgeschrittenem maschinellem Lernen, das lernen und sich anpassen kann. Es gibt auch eine Unterscheidung zwischen diesen und generativen Modellen, die neue Inhalte erstellen können. Alle als „künstliche Intelligenz“ zu behandeln, kann wichtige Unterschiede darin verbergen, was sie leisten können, welche Daten sie benötigen und welche Risiken sie bergen. Zukünftige Forschung muss spezifischer sein darüber, welche Technologie verwendet wird und wie viel menschliche Aufsicht involviert ist.

Mit Blick in die Zukunft schlägt der Forscher eine neue Richtung für das Feld vor. Die nächste Forschungsphase sollte über allgemeine Diskussionen und konzeptionelle Argumente hinausgehen und hin zu strengeren, realen Tests führen. Dies bedeutet, etablierte Theorien zu nutzen, um zu erklären, warum Buchhalter diese Werkzeuge annehmen und wie sie das professionelle Urteilsvermögen verändern. Es bedeutet auch, den Umfang der Forschung zu erweitern, um verschiedene Länder, kleinere Unternehmen und weniger untersuchte Bereiche wie die Nachhaltigkeitsberichterstattung und die Steuerkonformität einzubeziehen. Entscheidend ist, dass der Forscher zu mehr Studien aufruft, die die Governance dieser Systeme untersuchen: Wer ist verantwortlich, wenn ein Computer einen Fehler macht, und wie können wir sicherstellen, dass die von diesen Werkzeugen getroffenen Entscheidungen zuverlässig und fair sind?

Die Übersicht kommt zu dem Schluss, dass das Feld zwar schnell wächst, sich aber noch in einem frühen Stadium befindet. Die aktuelle Literatur wird von breiten Diskussionen und Übersichtsarbeiten dominiert, wobei es an tiefgehenden, empirischen Belegen aus realen Buchhaltungsumgebungen mangelt. Die Konzentration der Forschung auf Betrugserkennung und Wirtschaftsprüfung deutet darauf hin, dass sich der Berufsstand natürlich zu den Bereichen hingezogen hat, in denen die Vorteile der Automatisierung am offensichtlichsten sind. Um die Zukunft der Buchhaltung wirklich zu verstehen, müssen Forscher nun ihr Sichtfeld erweitern. Sie müssen untersuchen, wie diese Werkzeuge die tägliche Arbeit von Buchhaltern in verschiedenen Kontexten beeinflussen, wie sie die Denkweise von Fachleuten verändern und welche Regeln nötig sind, um das System ehrlich zu halten. Der Weg nach vorn erfordert den Übergang von der Frage, was künstliche Intelligenz tun könnte, hin zur Messung dessen, was sie genau tut und wie sie den Berufsstand von innen heraus umgestaltet.