Kann man KI bei der Steuer-Compliance vertrauen? Noch nicht.

Das Problem

Als Veriprajna ChatGPT, Claude und Gemini zu einer konkreten Steuerfrage über den neuen Zinsabzug für Autokredite prüfte, lag jedes Modell falsch. Nicht ab und zu. Jedes einzelne Mal. Jede KI versicherte den Nutzern voller Überzeugung, dass der neue Abzug im Rahmen des One Big Beautiful Bill Act (OBBBA) ihr bereinigtes Bruttoeinkommen (Adjusted Gross Income, AGI) senken würde. Diese Antwort ist rechtlich falsch. Der Abzug verringert das zu versteuernde Einkommen (Taxable Income), nicht das AGI. Das sind zwei grundlegend verschiedene Konzepte im Steuerrecht.

Dies war kein zufälliger Fehler. Es war ein vorhersehbarer Fehlermechanismus, der fest in der Funktionsweise des KI-Lernens verankert ist. Die Systeme lasen Tausende von Blogbeiträgen und SEO-optimierten Artikeln, die das Gesetz zu stark vereinfachten. Der tatsächliche Gesetzestext tauchte in ihren Trainingsdaten vielleicht ein- oder zweimal auf. Die Blogs tauchten tausendfach auf. So lernte die KI die populäre — und falsche — Version der Regel.

Das Whitepaper bezeichnet dies als „Consensus Error“ (Konsensfehler). Es lag nicht daran, dass der KI Informationen fehlten. Es lag daran, dass die KI die Antwort der Masse der Antwort des Gesetzes vorzog. Wenn sich Ihr Finanzteam auf diese KI verlässt, übernimmt Ihr Unternehmen den Fehler der Masse. Und die IRS akzeptiert „wahrscheinlich richtig“ nicht als Verteidigung.

Warum dies für Ihr Unternehmen von Bedeutung ist

Dies ist kein abstraktes KI-Problem. Es trifft Ihr Betriebsergebnis, Ihr Audit- und Prüfungsrisiko und Ihre Compliance-Verpflichtungen unmittelbar.

Der OBBBA-Autokreditabzug ist auf 10.000 $ pro Jahr begrenzt und läuft bei bestimmten Einkommensgrenzen stufenweise aus. Der Abzug sinkt um 200 $ für jede 1.000 $, die ein Einzelantragsteller über 100.000 $ verdient, und entfällt ab 150.000 $ vollständig. Bei Zusammenveranlagung beginnt das Auslaufen bei 200.000 $ und endet bei 250.000 $. Wenn die KI den Unterschied zwischen AGI und zu versteuerndem Einkommen falsch versteht, kaskadieren die Folgeschäden:

• Unterzahlung von Bundessteuern. Wenn Ihre Systeme dies als Above-the-Line-Abzug einstufen, weisen Sie ein niedrigeres AGI aus, als die IRS erwartet. Das führt auf direktem Weg zu Strafzahlungen.
• Prüfungsrisiko auf Bundesstaatsebene. Bundesstaaten wie Arizona koppeln ihre Steuerberechnungen an das bundesstaatliche AGI. Ein falsches AGI führt in jedem AGI-gekoppelten Bundesstaat zu falschen Landessteuern.
• Fehler bei den Medicare-Prämien. Rentner, die sich auf KI-Ratschläge verlassen, könnten mit unerwarteten IRMAA-Zuschlägen konfrontiert werden, weil die KI niedrigere Prämien versprochen hat, die niemals eintreffen.
• Nicht anerkannte Krankheitskostenabzüge. Der Schwellenwert für Krankheitskostenabzüge hängt vom AGI ab. Ein fälschlicherweise zu niedrig ausgewiesenes AGI führt dazu, dass Abzüge geltend gemacht werden, auf die kein Anspruch besteht.
• Meldepflichtversäumnisse der Kreditgeber. Der OBBBA schuf Section 6050AA, die Kreditgeber verpflichtet, Informationsmeldungen für jeden Kredit einzureichen, der 600 $ oder mehr an qualifizierten Zinsen generiert. KI-Systeme, die sich ausschließlich auf den Vorteil des Kreditnehmers konzentrieren, übersehen routinemäßig die Meldepflicht des Kreditgebers. Das stellt eine systematische Compliance-Lücke nach den IRC-Abschnitten 6721/6722 dar.

Ihr Vorstand möchte von diesen Fehlern nicht erst durch einen Bescheid der IRS erfahren.

Was tatsächlich unter der Haube passiert

Um zu verstehen, warum dies immer wieder passiert, muss man sich ansehen, wie KI-Modelle tatsächlich arbeiten. Ein LLM „kennt“ das Steuerrecht nicht so wie Ihr Wirtschaftsprüfer oder Steuerberater (CPA). Es sagt das nächste Wort in einem Satz auf der Grundlage von Mustern voraus, die es während des Trainings aufgenommen hat. Es ist eine hochentwickelte Autovervollständigungs-Engine.

Hier ist die Analogie: Stellen Sie sich vor, Sie stellen einem Raum von 1.000 Personen eine Steuerfrage. Neunhundert von ihnen haben denselben stark vereinfachten Blogbeitrag gelesen. Einhundert von ihnen haben tatsächlich das Gesetz gelesen. Wenn der Raum abstimmt, gewinnt die falsche Antwort mit 900 zu 100 Stimmen. Genau das passiert im Inneren eines LLM. Das Modell gewichtet die populäre Antwort stärker als die korrekte, weil es der populären Version weitaus häufiger begegnet ist.

Dies ist das Fehlermuster, das die Forschung von Veriprajna als „Consensus Error“ bezeichnet. Wenn die Blogosphäre bei einer spezifischen steuerlichen Nuance zu 90 % falsch liegt — was bei neuer Gesetzgebung häufig vorkommt —, ist das Modell mathematisch dazu verdammt, die falsche Antwort zu liefern. Kein noch so geschicktes Prompting kann dies beheben. Die Mathematik arbeitet gegen Sie.

Selbst Retrieval-Augmented Generation (RAG) — eine Technik, bei der die KI mit den tatsächlichen Quelldokumenten gefüttert wird — greift hier zu kurz. In Tests lieferten Modelle, denen der vollständige Text des OBBBA vorlag, immer noch falsche Antworten. Warum? Im Gesetzestext heißt es: „Section 163(h) is amended by inserting...“ Das liest sich nicht wie ein Blogbeitrag. Die KI muss den Text dennoch interpretieren. Und wenn ihre internen Gewichte auf Millionen falscher Beispiele trainiert sind, liest sie das richtige Dokument und zieht den falschen Schluss. Sie agiert wie ein voreingenommener Leser, der nur bestätigt, was er ohnehin schon „glaubt“.

Schlimmer noch: Sie können die Argumentation nicht nachvollziehen. Ein RAG-System zeigt Ihnen, welches Dokument es abgerufen hat. Es zeigt Ihnen nicht den logischen Pfad von diesem Dokument zur Antwort. Ihr Compliance-Team kann die Quelle überprüfen, nicht aber die logische Herleitung. Das ist eine Black Box dort, wo eigentlich Ihr Prüfpfad sein sollte.

Was funktioniert (und was nicht)

Beginnen wir mit dem, was Ihr Team möglicherweise bereits versucht — und warum es nicht ausreicht.

Prompt-Engineering: Der KI zu sagen, sie solle „Schritt für Schritt denken“ oder „als leitender Steuerprüfer agieren“, verleiht dem Modell keine logischen Denkfähigkeiten, die darin nicht existieren. Es agiert innerhalb derselben verzerrten Gewichte, ganz gleich, wie Sie die Frage formulieren.

Größere Modelle oder Kontextfenster: Ein größeres Modell, das mit denselben Internetinhalten trainiert wurde, nimmt nur noch mehr von denselben falschen Inhalten auf. Mehr Daten verbessern nicht das Verhältnis von falschen zu richtigen Quellen.

Standardmäßige RAG-Pipelines: Die KI mit offiziellen Dokumenten zu versorgen, hilft beim Abruf, aber das Modell muss dennoch über das Gelesene schlussfolgern. Eine Vektorsuche findet Absätze über Autokredite, ruft aber möglicherweise nie die Definition des AGI in Section 62 ab — weil dieser Abschnitt Autokredite nicht erwähnt. Im Steuerrecht ist das, was das Gesetz auslässt, genauso wichtig wie das, was es enthält. Die Vektorsuche kann ein Fehlen nicht finden.

Was tatsächlich funktioniert, ist eine neuro-symbolische Architektur — ein System, das Sprachverständnis von juristischer Logik trennt. So funktioniert es in drei Schritten:

1. Die KI liest Ihre Eingabe (Neuronale Schicht). Sie laden eine Rechnung oder ein Kreditdokument hoch oder tippen eine Frage ein. Die KI extrahiert strukturierte Fakten: Fahrzeugtyp, Kaufdatum, Montageort, Kreditsumme. Sie verarbeitet die unstrukturierten Daten der realen Welt. Sie entscheidet jedoch niemals, ob der Abzug zulässig ist.

2. Eine Logik-Engine wendet das Gesetz an (Symbolische Schicht). Die strukturierten Fakten werden an eine Regel-Engine übergeben, die auf dem tatsächlich kodierten Gesetzestext aufbaut. Diese Engine verwendet Sprachen wie Catala — speziell dafür entwickelt, Gesetzgebung in ausführbaren Code zu übersetzen — und führt deterministische Prüfungen durch. Wurde das Fahrzeug in den USA montiert? Liegt das Einkommen unter der Auslaufschwelle? Diese Schicht hat keinen Zugriff auf Blogbeiträge. Sie kennt das Gesetz ausschließlich als Code.

3. Die KI erklärt das Ergebnis (Neuronale Schicht). Die Logik-Engine liefert ein Urteil zurück: ZUGELASSEN oder ABGELEHNT, zusammen mit dem konkreten Regelverweis. Die KI übersetzt dies anschließend in eine klare, verständliche Erklärung für Ihr Team.

Der entscheidende Unterschied: Die KI entscheidet niemals über die Rechtsfrage. Sie übersetzt menschliche Sprache in strukturierte Daten und logische Ausgaben wieder zurück in menschliche Sprache. Das Gesetz selbst wird als deterministischer Code ausgeführt.

Dies bietet Ihnen etwas, das kein Chatbot leisten kann: einen deterministischen Prüfpfad. Wenn Ihr Wirtschaftsprüfer fragt: „Warum hat das System diesen Abzug zugelassen?“, lautet die Antwort nicht „weil die Wahrscheinlichkeit dafür sprach“. Es ist ein lückenlos nachvollziehbarer Pfad: Kreditdatum verifiziert, Fahrzeugtyp bestätigt, Montageort bestätigt, Einkommen unter dem Schwellenwert von 100.000 $ verifiziert, Regelreferenz IRC § 163(h)(4). Dieser Prüfpfad kann direkt an einen Prüfer der IRS oder an Ihren internen Prüfungsausschuss übergeben werden. Er verwandelt Ihre KI von einer Black Box in das, was die Forschung eine „Glass Box“ nennt.