GPT-6 Astra im Finanzreview: Was Legoras Test wirklich zeigt

Legora berichtet von einem auffälligen Einsatz von GPT-6 Astra: Ein Agent prüfte 41 Dokumente eines Financial-Statement-Tie-outs in einem einzigen Lauf und benötigte dafür nach Unternehmensangaben nur Minuten. Der Fall ist für Finanz-, Audit- und Legal-Teams interessant, weil er nicht bloß Zusammenfassungen erzeugt. Der Agent verglich Zahlen mit zugehörigen Unterlagen, markierte Abweichungen und protokollierte einzelne Prüfungen. Dennoch ist das Ergebnis kein allgemeiner Beweis, dass Finanzprüfungen nun automatisiert freigegeben werden können.

Die am 3. September 2026 veröffentlichte OpenAI-Fallstudie nennt drei konkrete Ergebnisse. GPT-6 Astra fand alle vier von Legora absichtlich eingebauten Fehler, darunter eine Lücke von 500.000 britischen Pfund in einer Umsatzangabe. Legora meldet zudem eine Verbesserung von nahezu 40 Prozent gegenüber dem vorherigen Modell in genau diesem Finanzabschluss-Workflow. Über alle Aufgaben des eigenen Legora Benchmark for Agentic Reasoning lag die durchschnittliche Verbesserung dagegen bei ungefähr drei Prozent. Diese Differenz ist wichtig: Der starke Wert beschreibt einen einzelnen Workflow, keine pauschale Leistungssteigerung für sämtliche Fachaufgaben.

Was der Legora-Fall belegt – und was nicht

Belegt ist zunächst nur das von Legora gemeldete Ergebnis in der beschriebenen Testkonstellation. Die Quelle nennt weder eine unabhängige Replikation noch genügend Details zu Dokumentstruktur, Baseline, Bewertungsskala, Fehlertypen und laufenden Kosten, um daraus eine allgemeine Wirtschaftlichkeitsaussage abzuleiten. Positiv ist die Aufgabenform: Ein Tie-out besitzt prüfbare Sollbezüge, konkrete Zahlen und einen nachvollziehbaren Prüfpfad. Genau solche klar begrenzten Aufgaben eignen sich besser für einen Pilot als offene Fragen wie eine vollständige Bilanzbeurteilung oder eine rechtliche Schlussfolgerung.

Für DACH-Unternehmen folgt daraus eine nüchterne Arbeitshypothese: Ein leistungsfähiges Modell kann den ersten, dokumentenreichen Abgleich verdichten und einen granularen Prüfdatensatz vorbereiten. Ob daraus Zeit- oder Qualitätsgewinn entsteht, muss jedoch mit eigenen Dokumenten, Fehlerbildern und Kontrollanforderungen gemessen werden. Die Übertragbarkeit hängt unter anderem von Dateiformaten, Tabellenlogik, Sprache, Belegqualität und der Eindeutigkeit der Referenzen ab.

Ein kontrollierter Pilot in fünf Schritten

Der Pilot sollte nicht mit einem produktiven Abschluss beginnen. Besser ist ein abgeschlossener, bereits manuell geprüfter Vorgang, dessen richtige Ergebnisse bekannt sind. So lassen sich Modellleistung und Prozessrisiko messen, ohne eine laufende Berichtsperiode zu gefährden.

1. Prüfobjekt eingrenzen: Einen wiederholbaren Abgleich wählen, etwa Zahlen aus Entwurf, Saldenliste, Konsolidierungsplan und Vorjahresabschluss. Interpretative Schlussurteile bleiben außerhalb des ersten Piloten.
2. Goldstandard erstellen: Fachprüfer dokumentieren erwartete Übereinstimmungen, bekannte Abweichungen und zulässige Rundungen. Dieser Referenzsatz wird vor dem Modelllauf eingefroren.
3. Fehler gezielt einsäen: Neben offensichtlichen Zahlendrehern auch ausgelassene Belege, falsche Perioden, uneinheitliche Einheiten und plausible, aber falsche Zuordnungen testen. Die Originaldateien bleiben unverändert archiviert.
4. Schattenbetrieb durchführen: Der Agent arbeitet ohne Schreib- oder Freigaberechte. Jeder Befund verweist auf Quelle, Position, Vergleichsregel und Ergebnis; ein Mensch prüft Treffer und übersehene Fehler.
5. Wiederholen und vergleichen: Mehrere repräsentative Vorgänge mit identischer Bewertungslogik gegen den bisherigen Prozess und ein geeignetes Basismodell prüfen. Erst stabile Resultate rechtfertigen den nächsten Freigabeschritt.

Die richtigen Kennzahlen für die Entscheidung

Eine reine Trefferquote reicht nicht. Ein System kann alle eingebauten Fehler finden und zugleich viele falsche Alarme erzeugen oder einzelne Dokumente stillschweigend überspringen. Die Entscheidungsvorlage sollte deshalb Qualität, Vollständigkeit, Aufwand und Kontrollierbarkeit gemeinsam abbilden.

• Recall kritischer Fehler: Welcher Anteil der vorab definierten wesentlichen Abweichungen wird erkannt?
• Präzision der Hinweise: Wie viele markierte Abweichungen sind tatsächlich prüfungsrelevant?
• Dokument- und Zeilenabdeckung: Wurde jedes erwartete Dokument und jede prüfpflichtige Position verarbeitet?
• Nachvollziehbarkeit: Kann ein Prüfer jeden Befund zur konkreten Quelle und Regel zurückverfolgen?
• Review-Zeit: Sinkt die gesamte menschliche Bearbeitungszeit einschließlich der Kontrolle falscher Alarme?
• Kosten pro Vorgang: Welche Modell-, Plattform-, Speicher- und Qualitätssicherungskosten entstehen für ein vollständiges Dokumentenpaket?
• Stabilität: Bleiben Ergebnisse bei wiederholten Läufen und leicht veränderten, fachlich gleichwertigen Formulierungen belastbar?

Betriebskosten und Risiken realistisch planen

Der wirtschaftliche Nutzen entsteht nicht durch Modellgeschwindigkeit allein. Dokumente müssen vorbereitet, Berechtigungen geregelt, Ergebnisse gespeichert und Ausnahmen bearbeitet werden. Lange Kontexte können Modellkosten erhöhen; heterogene Tabellen und Scans treiben die Vorverarbeitung. Hinzu kommen Testfälle, Monitoring, Modellwechsel und die Zeit qualifizierter Reviewer. Dem stehen mögliche Einsparungen beim wiederholten Erstabgleich und eine konsistentere Dokumentation gegenüber. Ein Business Case sollte daher die komplette Prozesszeit vor und nach dem Pilot vergleichen, nicht nur die Laufzeit des Agenten.

Auch das Fehlerbild verschiebt sich. Ein menschlicher Prüfer kann eine Zeile übersehen; ein Agent kann dagegen systematisch dieselbe falsche Zuordnung auf viele Dokumente anwenden. Deshalb braucht der Betrieb technische und organisatorische Grenzen: minimale Leserechte, verschlüsselte Übertragung und Speicherung, festgelegte Aufbewahrung, protokollierte Modell- und Promptversionen sowie eine Sperre gegen automatische Buchungen oder Freigaben. Bei sensiblen Finanzdaten müssen Datenschutz, Berufsrecht, Mandantentrennung und vertragliche Anforderungen vor dem Pilot separat geprüft werden.

Freigabekriterien für den nächsten Schritt

• Kein kritischer Fehler wird im vereinbarten Testsatz übersehen; Grenzwerte für weniger kritische Fehler sind vorab festgelegt.
• Die Abdeckung ist maschinell prüfbar: Fehlende Dokumente oder Positionen führen zu einem sichtbaren Abbruch, nicht zu einem scheinbar vollständigen Ergebnis.
• Jeder Hinweis enthält eine überprüfbare Quellenreferenz und wird von einem benannten Fachverantwortlichen bestätigt oder verworfen.
• Zeit- und Kostenvorteil bleibt nach menschlichem Review, Infrastruktur und Ausnahmebearbeitung bestehen.
• Ein Rückfallprozess erlaubt jederzeit die vollständige manuelle Prüfung; Modell- oder Promptänderungen lösen eine erneute Evaluation aus.

Legoras Ergebnis zeigt damit ein plausibles Potenzial für eng umrissene Finanzdokumentprüfungen: große Dokumentenmengen in einem Lauf abgleichen, Abweichungen sichtbar machen und den Review dokumentieren. Der belastbare Unternehmensnutzen entsteht aber erst durch einen eigenen Vergleich unter realen Randbedingungen. Wer Goldstandard, Fehlersaat, Vollständigkeit und menschliche Freigabe von Anfang an einbaut, prüft nicht nur ein Modell. Er prüft, ob der gesamte Prozess schneller, nachvollziehbarer und mindestens ebenso sicher wird.