„Digitale Wissenbissen“: KI Konkret - Compliance-Prozesse automatisiert mit LLMs & Co.
Compliance ist für viele Unternehmen ein Dauerrauschen: Fragebögen, Audits, Nachweispflichten, wiederkehrende Anforderungen – oft mit enormen Überschneidungen, aber jedes Mal in leicht anderer Sprache. Besonders frustrierend wird es, wenn dieselben Inhalte immer wieder manuell neu zusammengesetzt werden müssen: aus PDFs, Reports, Zertifikaten, Codes of Conduct und Prozessdokumenten – häufig unter Zeitdruck und mit hoher Haftungsrelevanz.
In dieser Podcast-Episode geht es nicht um das übliche Klagen über Regularien, sondern um einen konkreten Praxisfall: Wie wir gemeinsam mit einem Softwareanbieter eine Compliance-Plattform so weiterentwickelt haben, dass KI den Prozess radikal beschleunigt – ohne dabei Verlässlichkeit, Nachvollziehbarkeit und Verantwortung zu verlieren. Der Kern: Human-in-the-loop, aber mit maximaler Entlastung.
Key Points
- „Das Absurde ist: Jedes Unternehmen beantwortet dieselbe Frage letzten Endes hundertfach.“
- „Am Ende betätigt sich ein Senior-Mitarbeiter als menschliche Copy-Paste-Maschine.“
- „In Compliance-Prozessen ist kein Platz für: ‚War nur ungefähr richtig.‘“
- „Quellenangaben sind der Unterschied zwischen interessant und auditierfähig.“
- „Man sollte dringend mit dem Workflow starten und nicht mit der Technologie.”
- „Mit jeder Nutzung wird das System wertvoller – ein selbstlernender Wissensspeicher.“
- „Large Language Models bleiben Werkzeuge – wir sind kilometerweit von voller Autonomie entfernt.“
- „Wir entlasten Menschen nicht, um sie zu ersetzen – sondern um monotone Arbeit zu eliminieren.“
Zusammenfassung
1) Das eigentliche Problem: Wiederholung, Inkonsistenz und gebundene Expertise
Compliance-Fragebögen sind inhaltlich zu großen Teilen redundant, aber operativ teuer: Unternehmen beantworten ähnliche Fragen immer wieder neu – oft manuell, oft mit Risiko für Inkonsistenzen. Die versteckten Kosten entstehen nicht nur durch Zeitaufwand, sondern vor allem dadurch, dass teure Experten für monotone Tätigkeiten gebunden werden.
2) Ausgangslage beim Klienten: Gute Workflows – aber noch keine Skalierung
Der Klient hatte bereits eine solide Plattform: Data Room, Dokumentenverwaltung, Import von Fragebögen, strukturierte Workflows. Das beseitigte E-Mail- und Excel-Chaos – aber die Kernarbeit blieb menschlich: Dokumente durchsuchen, Antworten formulieren, Quellen verknüpfen.
3) Der Hebel: KI dort einsetzen, wo sie verlässlich ist – und Menschen in Verantwortung lassen
Statt „Chatbot drüber“ wurde der Prozess zuerst analysiert: Welche Schritte machen Menschen wirklich? Welche Artefakte entstehen? Wo liegen Bottlenecks? Ergebnis: Automatisierung ja – aber auditierfähig und mit Human-in-the-loop, weil Verantwortlichkeit und Haftung nicht an ein Modell delegierbar sind.
4) Technische Umsetzung: Stabilität kommt vom sauberen Input und vom Retrieval
Der Durchbruch kam durch konsequente Vorverarbeitung beim Dokumenten-Upload:
- Intelligente OCR für reale Dokumentenqualität (Scans, Verzerrungen, „PDF ist nicht gleich PDF“)
- Semantische Embeddings auf Absatzebene
- RAG (Retrieval Augmented Generation): Pro Frage werden relevante Passagen gefunden, nicht ganze Dokumente „in den Prompt gekippt“
Damit sinken Antwortzeiten, und die Qualität steigt, weil nur relevanter Kontext verarbeitet wird.
