„Damals“, so begann Espig, „wurden Kutschen gebaut wie nie zuvor. Die Haferhändler hatten Rekordumsätze, und die Stimmung war optimistisch.“ Zehn Jahre später: dieselbe Straße, derselbe Blick – aber keine Pferde mehr. Autos wohin das Auge reicht. Die Hufschmiede mussten umlernen, die Haferhändler schlossen ihre Läden. „So“, sagte Espig mit ruhiger Stimme, „fühlt sich Veränderung an. Man merkt erst, dass sie da ist, wenn es zu spät ist.“

Von der Industrie 4.0 zur KI-Ära

Dieser Gedanke zieht sich wie ein roter Faden durch seinen Vortrag: Technologischer Wandel passiert nicht in Sprüngen, sondern in Wellen – und wer sie nicht erkennt, wird von ihr überrollt. 2014 war Deutschland stolz auf seine Ingenieurskunst. Volkswagen war größter Automobilhersteller der Welt, „Made in Germany“ galt als Gütesiegel für Präzision und Qualität. Zur selben Zeit arbeitete China an etwas anderem. Unter dem Programm „Made in China 2025“ definierte die chinesische Regierung zehn Schlüsseltechnologien, in denen sie Weltführer werden wollte – darunter Elektromobilität und Künstliche Intelligenz. Heute, nur ein Jahrzehnt später, sind 86 % dieser Ziele erreicht. „Das sollte uns zu denken geben“, so Espig. „Während wir auf Bewährtes vertrauten, hat China gelernt, geforscht und umgesetzt. Mit enormer Konsequenz.“

Künstliche Intelligenz ist kein Versprechen – sie ist ein Werkzeug

Im Zentrum seines Vortrags stand die Erkenntnis, dass Künstliche Intelligenz weder Wunderwaffe noch Bedrohung ist, sondern ein Werkzeug. „KI ist nur so gut wie der Mensch, der sie bedient – und der Rahmen, in dem sie arbeitet.“ Prof. Dr. Espig sprach aus Erfahrung. Als Mathematiker, Forscher und Unternehmer hat er über 60 KI-Projekte in Industrie und Mittelstand begleitet – darunter für Porsche Werkzeugbau in Leipzig. Sein Fazit: „Die meisten KI-Projekte scheitern nicht an der Technologie, sondern an der fehlenden Struktur.“ KI braucht saubere Daten, klar definierte Prozesse und eine durchdachte Architektur. Genau daran arbeitet die E&O Gesellschaft für integrierte KI-Systeme – mit Lösungen, die Unternehmen helfen, KI richtig einzusetzen.

Struktur schafft Intelligenz

Ein Beispiel dafür ist das von uns entwickelte System Kybernos for Business – ein integriertes KI-System zur Unternehmensbegleitung und Startup-Beratung. Basierend auf einem Foundational Business Model werden Geschäftsideen nach 17 Kernkategorien strukturiert, analysiert und mit datengetriebener Logik bewertet. Damit schafft Kybernos for Business etwas, das klassische Beratung oft nicht leisten kann: Objektivität und Vergleichbarkeit. Gründerinnen und Gründer erhalten sofort Rückmeldungen, wo ihre Idee stark ist – und wo Handlungsbedarf besteht. Das Ziel ist nicht, menschliche Intuition zu ersetzen, sondern sie zu erweitern: „KI kann Daten lesen. Aber den Sinn darin erkennen – das bleibt unsere Aufgabe.“

Die Verantwortung der Unabhängigkeit

Im weiteren Verlauf seines Vortrags wurde Espig ernst. Er warnte davor, sich als Wirtschaft zu sehr auf ausländische KI-Modelle zu verlassen. „Wenn diese Systeme abgeschaltet würden, wäre das wie ein Stromausfall für unsere Wirtschaft – und keiner hat ein Notstromaggregat.“ Sein Appell war klar: Deutschland braucht eigene, offene Sprachmodelle – trainiert auf unseren Daten, basierend auf europäischen Werten und Datenschutzstandards. Nur so könne digitale Souveränität langfristig gesichert werden. Mensch und Maschine – kein Gegensatz, sondern eine Symbiose Zum Ende seines Vortrags schlug Espig den Bogen zurück zum Menschen. Er sprach über die Gefahr, KI als Ersatz zu sehen, statt als Unterstützung – und über die Bedeutung menschlicher Begegnung in einer zunehmend automatisierten Welt: „Es macht einen Unterschied, ob Sie einen Text von einer Maschine lesen oder einem Menschen gegenüberstehen. Innovation entsteht im Dialog – nicht im Code.“

Unser Fazit

Bei der E&O Gesellschaft für integrierte KI-Systeme teilen wir diese Überzeugung: Künstliche Intelligenz ist dann wertvoll, wenn sie den Menschen stärkt – wenn sie uns hilft, besser zu denken, klüger zu handeln und mutiger zu entscheiden. Die Zukunft gehört nicht denen, die Angst vor der Maschine haben. Sie gehört denen, die sie verstehen – und mit ihr gestalten.

Die Entwicklung moderner Sprachmodelle hat eine Komplexität erreicht, die sowohl technologisch als auch regulatorisch neue Maßstäbe setzt. Aktuelle Analysen und Berichte – unter anderem aus dem Umfeld von Anthropic sowie aus unabhängigen Einordnungen wie dem Stanford AI Index Report (2024) – zeigen, dass unerwartetes Modellverhalten weniger als Kontrollverlust zu verstehen ist, sondern vielmehr als Folge hochkomplexer Trainingsprozesse und probabilistischer Modellarchitekturen (Anthropic, o. J.; Stanford University, 2024).

Für Unternehmen stellt sich damit eine zentrale strategische Frage:

Wie lässt sich das Potenzial dieser Systeme nutzen, ohne die Kontrolle über sensible Daten und Prozesse zu verlieren? Diese Fragestellung gewinnt insbesondere in regulierten Branchen wie Steuerberatung, Rechtsberatung und Medizin an Bedeutung. Regulatorische Entwicklungen wie der EU AI Act sowie bestehende Anforderungen aus der DSGVO unterstreichen zusätzlich, dass der Einsatz von KI nicht nur technologisch, sondern auch rechtlich durchdacht sein muss (Europäische Union, 2016).

Vor diesem Hintergrund wird deutlich: Die Lösung liegt nicht in einer generellen Zurückhaltung gegenüber KI, sondern in ihrer kontrollierten und kontextsensitiven Anwendung.

Lokale, unternehmensspezifische KI-Systeme

bieten hier einen vielversprechenden Ansatz, da sie die Leistungsfähigkeit moderner Modelle mit Anforderungen an Datenschutz, Nachvollziehbarkeit und Kontrolle verbinden. Beiträge wie die Analyse von kiberatung.de zu aktuellen Entwicklungen rund um Claude zeigen zudem, dass die Debatte häufig von Missverständnissen geprägt ist und eine differenzierte Einordnung erforderlich bleibt (Kiberatung, o. J.).

Für Organisationen ergibt sich daraus eine klare Handlungsperspektive:

Wer frühzeitig auf kontrollierbare, lokal betriebene KI-Lösungen setzt, schafft nicht nur Vertrauen, sondern positioniert sich strategisch für die nächste Phase der digitalen Transformation.

Unser Fazit

Zusammenfassend zeigt sich, dass die aktuellen Diskussionen rund um Trainings-Vorfälle bei KI-Systemen weniger auf grundlegende Schwächen der Technologie hinweisen, sondern vielmehr die zunehmende Komplexität moderner Modellarchitekturen und deren Trainingsprozesse widerspiegeln. Für Unternehmen ergibt sich daraus kein Anlass zur Zurückhaltung, sondern vielmehr die Notwendigkeit einer bewussten und strategischen Auseinandersetzung mit dem Einsatz von Künstlicher Intelligenz.

Insbesondere in sensiblen und regulierten Bereichen wird deutlich, dass nachhaltiger Mehrwert nur dort entsteht, wo technologische Innovation mit Kontrolle, Transparenz und rechtlicher Konformität verbunden wird. Lokale, unternehmensspezifische KI-Lösungen bieten hierfür einen geeigneten Rahmen, da sie sowohl die Anforderungen an Datenschutz erfüllen als auch eine gezielte Integration in bestehende Prozesse ermöglichen.

Damit wird KI nicht zum Risiko, sondern zu einem steuerbaren Instrument, das – richtig eingesetzt – entscheidend zur Wettbewerbsfähigkeit und Zukunftssicherung von Organisationen beitragen kann.

Über den Autor:

Prof. Dr. rer. nat. Mike Espig (Google Scholar, o. J.) ist Professor für Mathematik an der Westsächsischen Hochschule Zwickau (WHZ) und Leiter der Data Science Research Group (WHZ, o. J.; DSRG, o. J.). Nach seiner Promotion am Max-Planck-Institut für Mathematik in den Naturwissenschaften in Leipzig (MPI, o. J.) war er dort als wissenschaftlicher Mitarbeiter tätig und übernahm später eine Professur an der RWTH Aachen (RWTH Aachen, o. J.), bevor er an die WHZ berufen wurde (WHZ, o. J.). Neben seiner akademischen Tätigkeit ist er Gründer der GiKS und verbindet wissenschaftliche Forschung mit praxisnaher Anwendung von KI-Technologien (DSRG, o. J.).

Literaturverzeichnis

Anthropic (o. J.): Research. Verfügbar unter: https://www.anthropic.com/research

Europäische Union (2016): Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung). Verfügbar unter: https://eur-lex.europa.eu/eli/reg/2016/679/oj

Kiberatung (o. J.): Claude Mythos – Alles was du wissen musst. Verfügbar unter: https://www.kiberatung.de/blog/claude-mythos-alles-was-du-wissen-musst-deutsch

Max-Planck-Institut für Mathematik in den Naturwissenschaften (o. J.): Suchergebnisse Espig. Verfügbar unter: https://www.mis.mpg.de/de/search/search-results?tx_kesearch_pi1%5Bsword%5D=Espig

RWTH Aachen (o. J.): Preprints Espig. Verfügbar unter: https://www.igpm.rwth-aachen.de/forschung/preprints

Stanford University (2024): AI Index Report 2024. Verfügbar unter: https://aiindex.stanford.edu/report/

Westsächsische Hochschule Zwickau (o. J.): Profil Prof. Mike Espig. Verfügbar unter: https://www.whz.de/pti/organisation/fachgruppe-mathematik/personen/mike-espig/

Data Science Research Group (o. J.): DSRG. Verfügbar unter: https://dsrg.fh-zwickau.de/

Google Scholar (o. J.): Profil Mike Espig. Verfügbar unter: https://scholar.google.com/citations?user=kaIKbM4AAAAJ&hl=de

Künstliche Intelligenz in der Steuerberatung: Zwischen technologischem Imperativ und strafrechtlichen Risiken

Von Prof. Dr. rer. nat. Mike Espig
Geschäftsführer der Gesellschaft für Integrierte KI Systeme (GiKS) mbH und Leiter der Data Science Research Group an der Westsächsischen Hochschule Zwickau

Die steuerberatende Profession in Deutschland steht vor einer beispiellosen Zerreißprobe. Einerseits zwingt der eklatante Fachkräftemangel – eindrucksvoll belegt durch das Statistische Berichtssystem für Steuerberater (STAX) – die Kanzleien zur unbedingten Digitalisierung und Automatisierung komplexer Prozesse. Andererseits führt die unreflektierte Adaption cloudbasierter Künstlicher Intelligenz (KI) aus den USA direkt in eine juristische Katastrophe. Als Geschäftsführer der Gesellschaft für Integrierte KI Systeme (GiKS) analysiere ich täglich die Architekturen dieser Modelle. Die ernüchternde Erkenntnis: Die Nutzung populärer amerikanischer KI-Dienste kollidiert frontal mit dem Kern des deutschen Berufsrechts. Wer Mandantendaten leichtfertig an globale Hyperscaler auslagert, riskiert nicht nur seine Zulassung, sondern begibt sich in die Gefahr eines unwiderruflichen Kontrollverlusts über intimste Mandantendaten.

1. Die unerbittliche Schranke des § 203 StGB: Parlamentarische und juristische Realitäten

Im Zentrum der steuerberatenden Tätigkeit steht das unantastbare Mandantengeheimnis. Der Gesetzgeber schützt dieses Vertrauensverhältnis durch § 203 des Strafgesetzbuches (StGB), welcher die unbefugte Offenbarung fremder Geheimnisse mit Freiheitsstrafe bis zu einem Jahr bedroht (Bundesministerium der Justiz, 2024).

Mit der fortschreitenden Digitalisierung gerieten Berufsgeheimnisträger zunehmend in Konflikt mit dieser Norm, sobald sie externe IT-Dienstleister einbanden. Der Deutsche Bundestag hat dieses Problem mit dem „Gesetz zur Neuregelung des Schutzes von Geheimnissen bei der Mitwirkung Dritter an der Berufsausübung schweigepflichtiger Personen“ adressiert (Deutscher Bundestag, 2017). Der Gesetzgeber stellte klar, dass Berufsgeheimnisträger strafbewehrte Sorgfaltspflichten erfüllen müssen und die eingeschalteten Dienstleister zwingend und formgerecht zur Geheimhaltung zu verpflichten sind.

Doch genau hier versagen die globalen KI-Anbieter. Die Bundessteuerberaterkammer (BStBK) stellt in ihren aktuellen Richtlinien unmissverständlich klar: Die Verschwiegenheitspflicht (§ 57 StBerG) bleibt beim Einsatz von KI uneingeschränkt bestehen (Bundessteuerberaterkammer, 2026). Vertrauliche Daten dürfen nur verarbeitet werden, wenn der Dienstleister rechtlich strikt an die Verschwiegenheit gebunden ist und Zugriffe unbefugter Dritter (sowie Transfers in Drittländer) ausgeschlossen sind. Da amerikanische KI-Konzerne sich den strikten Unterwerfungen des deutschen Strafrechts in der Regel entziehen, erfüllt die Eingabe von Klarnamen oder Bilanzen in einen webbasierten US-Chatbot den objektiven Tatbestand der Straftat nach § 203 StGB.

2. Die extraterritoriale Falle: Der US CLOUD Act und das Grundrecht auf IT-Sicherheit

Selbst wenn US-amerikanische Anbieter zusichern, ihre Server auf europäischem Boden zu betreiben, bleibt ein unheilbarer rechtlicher Defekt: der US CLOUD Act. Wie Gutachten des Deutschen Bundestages eindrücklich belegen, zwingt dieses US-Gesetz amerikanische Provider zur Herausgabe von Nutzerdaten an US-Behörden, unabhängig davon, ob diese Daten physisch in Frankfurt oder in Übersee gespeichert sind (Wissenschaftliche Dienste des Deutschen Bundestages, 2019).

Für einen deutschen Steuerberater bedeutet dies den ultimativen Kontrollverlust. Das Bundesverfassungsgericht hat bereits 2008 das Grundrecht auf Gewährleistung der Vertraulichkeit und Integrität informationstechnischer Systeme (das sogenannte IT-Grundrecht) etabliert und dieses durch aktuelle Rechtsprechung weiter gestärkt (Bundesverfassungsgericht, 2025). Die Auslieferung intimster finanzieller und strategischer Unternehmensdaten an Systeme, die durch extraterritoriale Gesetze fremden Geheimdiensten und Behörden offenstehen, untergräbt dieses verfassungsrechtliche Schutzgut und die anwaltliche wie steuerberatende Verschwiegenheit massiv.

3. Die irreversible Datenverwertung: Eine kritische Analyse anhand aktueller Stanford-Studien

In der öffentlichen Diskussion wird der Anbieter Anthropic mit seinem Modell „Claude“ oft fälschlicherweise als datenschutzfreundliche Alternative wahrgenommen. Eine detaillierte wissenschaftliche Auseinandersetzung durch das renommierte Stanford Institute for Human-Centered AI dekonstruiert diesen Mythos jedoch vollständig und offenbart eine erschreckende Realität (King, 2025).

Wie Jennifer King, Privacy and Data Policy Fellow in Stanford, in aktuellen Forschungen eindringlich warnt, müssen Nutzer von KI-Chatbots gravierende Bedenken hinsichtlich ihrer Privatsphäre haben. Eine Untersuchung offenbarte, dass führende US-Unternehmen die Eingaben ihrer Nutzer standardmäßig verwenden, um die Fähigkeiten ihrer Modelle weiter zu trainieren (King, 2025). Für Kanzleien bedeutet dies konkret: Werden sensible steuerliche Sachverhalte, Bilanzen oder Geschäftsgeheimnisse in einen Chatbot eingegeben oder als Datei hochgeladen, fließen diese Informationen potenziell unwiderruflich in die Trainingsmaschinerie ein.

Dieses Risiko wird durch den massiven Mangel an Transparenz innerhalb der Branche weiter verschärft. Der von Forschern aus Stanford, Berkeley und dem MIT herausgegebene Foundation Model Transparency Index 2025 belegt, dass die Transparenz der führenden KI-Unternehmen im vergangenen Jahr sogar noch weiter gesunken ist (Wan et al., 2025). Die Art und Weise, wie Anbieter wie Anthropic oder OpenAI Daten akquirieren und verarbeiten, bleibt für Außenstehende in weiten Teilen eine intransparente Blackbox.

Die technologische Konsequenz ist für den Berufsstand fatal: Das Training eines neuronalen Netzes transformiert Daten in Milliarden von Parametern. Sind Mandantengeheimnisse erst einmal in die Architektur eines Modells eingeflossen, können sie nicht mehr selektiv gelöscht werden. Die Kanzlei verliert die absolute Kontrolle, und die sensiblen Informationen sind der permanenten Gefahr ausgesetzt, durch gezielte Nutzerabfragen Dritter unfreiwillig reproduziert zu werden. Ein solches Szenario stellt für jeden Steuerberater einen existenzbedrohenden Verstoß gegen die berufliche Schweigepflicht dar.

4. Technologische Souveränität: Der Paradigmenwechsel hin zu lokalen On-Premise-Modellen

Um diese gravierenden sicherheitstechnischen Abgründe zu umgehen, bedarf es eines fundamentalen Paradigmenwechsels in der IT-Strategie der Kanzleien. Die einzig valide Lösung für Berufsgeheimnisträger ist der Aufbau integrierter, lokaler KI-Systeme (On-Premise). Genau aus diesem Grund haben wir die Gesellschaft für integrierte KI-Systeme (GiKS GmbH) gegründet. Unser Ansatz ist es, maßgeschneiderte, hochleistungsfähige Modelle so zu optimieren, dass sie physisch auf der Hardware innerhalb der eigenen Kanzlei-Infrastruktur laufen.

Wie immens leistungsfähig und praxisreif solche Systeme mittlerweile sind, zeigt exemplarisch die erst im April 2026 von Google veröffentlichte Modellgeneration Gemma 4 (Google DeepMind, 2026). Diese hochmodernen, lokal ausführbaren Open-Source-Modelle, die unter einer kommerziell nutzbaren Apache 2.0 Lizenz stehen, demonstrieren eindrucksvoll, dass man für absolute Spitzenleistung keinerlei Kompromisse beim Datenschutz mehr eingehen muss.

Die neuen Modelle – insbesondere die Ausführungen mit 26 und 31 Milliarden Parametern – erzielen herausragende Ergebnisse in komplexen analytischen Benchmarks (wie dem Mathematik-Benchmark AIME 2026 mit 89,2 % Erfolgsquote beim 31B-Modell) und eignen sich dadurch hervorragend für anspruchsvolle logische und steuerrechtliche Analysen (Google DeepMind, 2026). Zudem verfügen sie über enorme Kontextfenster von bis zu 256.000 Token. Das bedeutet für die Praxis: Steuerberater können ganze Aktenordner, Jahresabschlüsse und umfangreiche BMF-Schreiben in einem einzigen lokalen Arbeitsschritt auswerten lassen, ohne dass die Daten die Kanzlei verlassen.

Nur bei einer strikten On-Premise-Lösung bleiben die Daten im alleinigen Herrschaftsbereich des Steuerberaters. Der CLOUD Act läuft ins Leere, ein Abfluss in die Trainingsdatensätze amerikanischer Konzerne wird physikalisch unmöglich gemacht, und die strengen Vorgaben des § 203 StGB sowie der Bundessteuerberaterkammer sind vom ersten Tag an rechtssicher erfüllt.

5. Fazit

Künstliche Intelligenz wird die Steuerberatung revolutionieren. Doch die naive Nutzung amerikanischer Cloud-Dienste ist ein hochgefährlicher Irrweg, der die Existenzgrundlage des Berufsstandes – absolute Verschwiegenheit und Mandantenvertrauen – opfert. Die Zukunft gehört Kanzleien, die technologische Souveränität übernehmen. Durch den Einsatz lokaler, hochmoderner Systeme wie Gemma 4 lässt sich das enorme Effizienzpotenzial der Technologie nutzen, ohne auch nur eine Silbe des Berufsrechts zu verletzen.

---

Quellenverzeichnis

• Bundesministerium der Justiz (2024). Strafgesetzbuch (StGB) § 203 Verletzung von Privatgeheimnissen.
• Bundessteuerberaterkammer (2026). FAQ: KI im steuerberatenden Berufsstand. Stand 27. Januar 2026.
• Bundesverfassungsgericht (2025). Leitsätze zum Beschluss des Ersten Senats vom 24. Juni 2025 - 1 BvR 2466/19 - Trojaner I (Grundrecht auf Gewährleistung der Vertraulichkeit und Integrität informationstechnischer Systeme).
• Deutscher Bundestag (2017). Entwurf eines Gesetzes zur Neuregelung des Schutzes von Geheimnissen bei der Mitwirkung Dritter an der Berufsausübung schweigepflichtiger Personen (BT-Drucksache 18/11936).
• Google DeepMind (2026). Gemma 4: Byte for byte, the most capable open models. Google Innovation & AI Blog, April 2026.
• King, J. (2025). Be careful what you tell your AI chatbot. Stanford Institute for Human-Centered AI (HAI), Oktober 2025.
• Wan, A., Klyman, K., Kapoor, S., et al. (2025). The 2025 Foundation Model Transparency Index. Stanford Center for Research on Foundation Models (CRFM), arXiv:2512.10169 [cs.AI], Dezember 2025.
• Wissenschaftliche Dienste des Deutschen Bundestages (2019). Datenübermittlung an US-Ermittlungsbehörden auf Grundlage des CLOUD Acts im Geltungsbereich des EU-Datenschutzrechts (WD 3 - 3000 - 205/19).

KI-Kompass: Warum die bloße technologische Kenntnis von Künstlicher Intelligenz unzureichend ist

Technologische Exzellenz allein ist kein Garant für ökonomischen Erfolg. Die Wirtschaftsgeschichte belegt eindrucksvoll: Die bloße Implementierung von Algorithmen ohne strategische Ausrichtung gleicht dem Versuch, einen Hochleistungsmotor in ein veraltetes Fahrgestell einzubauen und zu erwarten, ein Rennen zu gewinnen. In der aktuellen wirtschaftlichen Transformation herrscht vielfach der Irrglaube, dass das reine technische Verständnis von Künstlicher Intelligenz (KI) ausreicht, um Organisationen zukunftsfähig zu machen. Eine fundierte empirische Betrachtung zeigt jedoch auf, dass Unternehmen dringend einen sogenannten KI-Kompass benötigen – einen multidimensionalen Orientierungsrahmen, der über Programmierkenntnisse und Softwarelizenzen weit hinausgeht.

Das Paradigma der zielgerichteten Innovation

Die Installation moderner KI-Tools wird häufig mit sofortiger Effizienzsteigerung gleichgesetzt. Makroökonomische Analysen widerlegen diese kausale Simplifizierung. Die wirtschaftswissenschaftliche Forschung demonstriert, dass Technologie stets eine klare strategische Direktion benötigt, da sie andernfalls zu Fehlallokationen und unerwünschten systemischen Effekten führt (Acemoglu, 2021). Ein funktionaler KI-Kompass bedeutet, das tiefere Verständnis dafür zu entwickeln, welche unternehmerischen Probleme durch Algorithmen gelöst werden sollen. Wird Technologie lediglich zur Automatisierung bestehender Ineffizienzen eingesetzt, skaliert im schlechtesten Fall lediglich die Fehlerquote. Wahre Wertschöpfung entsteht erst, wenn KI zur Lösung komplexer, bisher unadressierter Marktbedürfnisse orchestriert wird.

Organisatorische Transformation statt isolierter Software

Die Notwendigkeit eines übergreifenden Verständnisses wird durch empirische Erhebungen zum Unternehmenswachstum untermauert. Eine umfassende Untersuchung von US-Unternehmen belegt, dass Investitionen in Künstliche Intelligenz nur dann signifikantes Wachstum und neue Marktmacht generieren, wenn sie direkt mit Produktinnovationen und einer fundamentalen Umstrukturierung der Arbeitsabläufe gekoppelt sind (Babina et al., 2023). Das bedeutet: Die bloße Kenntnis über die Funktionsweise neuronaler Netze ist im Management wertlos, wenn das Wissen über Change-Management, Organisationspsychologie und Prozessarchitektur fehlt. Die Digitalisierung erfordert eine Verschmelzung von technologischer Kapazität und tiefgreifender organisatorischer Erneuerung.

Der Faktor Mensch: Urteilsvermögen als Kernkompetenz

Darüber hinaus erfordert der Umgang mit autonomen Systemen ein Höchstmaß an kritischer Reflexion und ethischer Einordnung. Führende Institute weisen explizit darauf hin, dass generative Modelle zwar exzellente syntaktische und analytische Leistungen erbringen, ihnen jedoch das semantische Verständnis und der moralische Kontext fehlen (Stanford University, 2023). Ein ganzheitlicher KI-Kompass setzt voraus, dass das menschliche Humankapital in der Lage ist, die Ausgaben der Maschinen kritisch zu validieren. Das strategische Urteilsvermögen (Judgment) wird zur zentralen Kernkompetenz. Fachkräfte müssen nicht zwingend programmieren können, aber sie müssen die Limitationen, die Verzerrungen (Biases) und die strategischen Implikationen der eingesetzten KI-Mittel präzise bewerten können.

Fazit: Vom Technologieverständnis zur Strategiekompetenz

Die empirische und analytische Evidenz lässt nur einen validen Schluss zu: Die Reduktion von Künstlicher Intelligenz auf ihre rein technologischen Eigenschaften ist ein riskantes strategisches Defizit. Um die Potenziale der technologischen Disruption in nachhaltige Effizienzsteigerung und Wettbewerbsvorteile zu übersetzen, bedarf es eines strategischen KI-Kompasses. Unternehmen müssen interdisziplinäres Wissen aufbauen, das betriebswirtschaftliche Weitsicht, ethische Verantwortung und prozessuale Innovationskraft nahtlos mit der Technologie verzahnt. Nur diese Synthese sichert die Resilienz im Zeitalter der algorithmischen Ökonomie.

---

Quellenverzeichnis

Hinweis: Alle Quellen verlinken direkt auf die originalen, wissenschaftlichen Open-Access-PDF-Dokumente.

• Acemoglu, D. (2021). Harms of AI. National Bureau of Economic Research (NBER Working Paper Series, No. 29247). Abgerufen am 19. Juni 2026, von https://www.nber.org/system/files/working_papers/w29247/w29247.pdf
• Babina, T., Fedyk, A., He, A. X., & Hodson, J. (2023). Artificial Intelligence, Firm Growth, and Product Innovation. National Bureau of Economic Research (NBER Working Paper Series, No. 29318). Abgerufen am 19. Juni 2026, von https://www.nber.org/system/files/working_papers/w29318/w29318.pdf
• Stanford University. (2023). Generative AI: Perspectives from Stanford HAI. Stanford Institute for Human-Centered Artificial Intelligence (HAI). Abgerufen am 19. Juni 2026, von https://hai.stanford.edu/sites/default/files/2023-03/Generative_AI_HAI_Perspectives.pdf

Datenschutz und Compliance bei generativer KI: Eine kritische Analyse der Datenarchitektur von Anthropic

Die Prämisse einer ethisch ausgerichteten und konstitutionellen Algorithmen-Architektur suggeriert oftmals ein trügerisches Gefühl der absoluten Datensicherheit. Technologie, die sich als inhärent sicher positioniert, bedarf im Unternehmenskontext jedoch einer umso strengeren empirischen und rechtlichen Überprüfung. Im aktuellen Diskurs um den strategischen Einsatz von Künstlicher Intelligenz (KI) nimmt das Unternehmen Anthropic mit seinen Claude-Modellen eine prominente Sonderrolle ein. Eine präzise wissenschaftliche Analyse der tatsächlichen Datenverarbeitungspraktiken offenbart jedoch signifikante Ambivalenzen, die für die unternehmerische Compliance bei der fortschreitenden Digitalisierung von höchster Relevanz sind. Visuelle und textuelle Analysen dieser strukturellen Herausforderungen (wie sie exemplarisch in den Referenzdokumenten IMG_0381.jpg und IMG_0382.jpg dokumentiert sind) verdeutlichen die immense Komplexität der zugrundeliegenden Datenarchitektur.

Das Transparenz-Paradoxon bei Foundation Modellen

Eine zentrale Fragestellung der aktuellen IT-Sicherheitsforschung betrifft die Nachvollziehbarkeit, wie Nutzerinteraktionen von Anbietern moderner KI-Mittel indiziert und gespeichert werden. Forscher der Stanford University haben im Rahmen des Foundation Model Transparency Index die Praktiken der führenden Entwickler evaluiert (Bommasani et al., 2023). Die Ergebnisse der empirischen Studie zeigen, dass die Branche – einschließlich Anthropic – im Bereich der nachgelagerten Datenverwendung und der Offenlegung interner Spezifikationen weiterhin erhebliche Transparenzdefizite aufweist. Für Organisationen bedeutet dies, dass der genaue Indexierungszyklus von Benutzerdaten auf externen Servern nicht lückenlos von außen auditierbar ist.

Strukturelle Divergenz: API-Nutzung versus Consumer-Interface

Ein kritischer Faktor bei der Bewertung der Modellsicherheit ist die oft missverstandene rechtliche und technische Trennung der Zugangswege. Während vertraglich zugesichert wird, dass Daten aus der kommerziellen API-Nutzung standardmäßig nicht für das Training zukünftiger Modelle verwendet werden, unterliegen Eingaben über frei zugängliche Web-Interfaces völlig abweichenden Richtlinien. Rechts- und technikwissenschaftliche Analysen zur Regulierung generativer KI verdeutlichen, dass Consumer-Interfaces systematisch umfassende Nutzerprofile und Session-Daten indizieren (Hacker et al., 2023). Der unregulierte Einsatz solcher KI-Tools zur vermeintlichen Effizienzsteigerung über Standard-Weboberflächen führt somit zu einem unkontrollierten Abfluss proprietärer Informationen.

Regulatorische Grauzonen durch „Trust & Safety“-Logging

Die Speicherung und Auswertung von Benutzerindizes zur Gewährleistung der allgemeinen Modellsicherheit („Trust & Safety Logging“) stellt Unternehmen vor ein komplexes juristisches Dilemma. Auch wenn Anbieter die Eingabedaten nicht aktiv für das Gewichtungstraining der neuronalen Netze nutzen, verbleiben sensible Geschäftsinformationen in den Log-Dateien der Sicherheitsinfrastruktur. Die informationstechnische Forschung belegt, dass die langfristige Speicherung granularer Interaktionsdaten eine massive Verwundbarkeit darstellt, da aus großen Sprachmodellen und deren Log-Architekturen sensible Trainings- und Nutzerdaten rekonstruiert werden können (Carlini et al., 2021). Aus Perspektive der europäischen Datenschutzstandards findet hier de facto ein Kontrollverlust statt.

Fazit: Synthese und strategische Handlungsempfehlung

Die Reputation eines sicherheitsfokussierten Anbieters entbindet Organisationen nicht von einer rigiden Due-Diligence-Prüfung. Der Einsatz moderner Sprachmodelle im Unternehmenskontext erfordert zwingend die Nutzung der kommerziellen API-Schnittstellen unter Implementierung von Zero-Data-Retention-Agreements (ZDR). Diese müssen die Indizierung und das Logging von Benutzerdaten vertraglich und technisch ausschließen. Die Nutzung regulärer Web-Interfaces für die Verarbeitung sensibler Unternehmensdaten bleibt aufgrund der intransparenten Indizierungspraktiken ein unkalkulierbares Compliance-Risiko.

---

Quellenverzeichnis

Hinweis: Die folgenden Links führen direkt zu den verifizierten, wissenschaftlichen Originalpublikationen (PDF-Dokumente) der Forschungsdatenbank arXiv.

• Bommasani, R., et al. (2023). The Foundation Model Transparency Index. Stanford University, Center for Research on Foundation Models (CRFM). Abgerufen am 22. Juni 2026, von https://arxiv.org/pdf/2310.12941.pdf
• Carlini, N., et al. (2021). Extracting Training Data from Large Language Models. USENIX Security Symposium. Abgerufen am 22. Juni 2026, von https://arxiv.org/pdf/2012.07805.pdf
• Hacker, P., Engel, A., & Mauer, M. (2023). Regulating ChatGPT and other Large Generative AI Models. Computer Law & Security Review. Abgerufen am 22. Juni 2026, von https://arxiv.org/pdf/2302.02337.pdf

Der Paradigmenwechsel der Sprachmodelle: Warum lokal gehostete KI-Mittel proprietären Top-Modellen ebenbürtig sind

Die Dominanz zentralisierter, proprietärer Sprachmodelle wird in der aktuellen technologischen Debatte oft als unumstößliches Paradigma betrachtet. Doch eine präzise empirische Betrachtung der Open-Source-Forschung straft diese Annahme Lügen. Die Prämisse, dass ausschließlich massive, geschlossene Systeme von wenigen Tech-Giganten den komplexen Herausforderungen der Digitalisierung gewachsen seien, ist akademisch und technologisch überholt. Der strategische Einsatz von Künstlicher Intelligenz (KI) in der Unternehmensarchitektur verschiebt sich zunehmend in Richtung lokal gehosteter, offener Modelle. Diese dedizierten KI-Mittel bieten nicht nur vollständige informationelle Souveränität, sondern erreichen durch architektonische Effizienz und gezielte methodische Anpassungen eine Leistungsfähigkeit, die den kommerziellen Top-Modellen absolut auf Augenhöhe begegnet.

Spezialisierung schlägt Generalisierung

Proprietäre Modelle sind auf universelle Anwendbarkeit trainiert, was eine gigantische Parameteranzahl und immense Rechenzentren erfordert. Die akademische Forschung belegt jedoch, dass kompaktere, lokal lauffähige KI-Tools durch hochspezifisches Fine-Tuning exzellente, oft überlegene Ergebnisse in definierten Domänen liefern. Die Evaluierung modernster offener Architekturmodelle demonstriert unmissverständlich, dass diese Systeme bei definierten Fachaufgaben – etwa in der juristischen Textanalyse oder bei der Programmierung – die Metriken geschlossener Systeme erreichen oder gar übertreffen (Touvron et al., 2023). Eine nachhaltige Effizienzsteigerung erfordert folglich kein schwerfälliges Universalmodell, sondern den präzisen Zuschnitt der Algorithmen auf den jeweiligen hochspezifischen Anwendungsfall des Unternehmens.

Parameter-effizientes Fine-Tuning (PEFT) als technologischer Hebel

Ein wesentlicher Durchbruch, der lokal gehostete Modelle wettbewerbsfähig macht, ist die drastische Reduktion der benötigten Rechenleistung für das Training. Durch mathematische Methoden der Niedrigrang-Adaption lassen sich Basismodelle mit einem Bruchteil der ursprünglichen Hardware-Ressourcen an proprietäre Datensätze anpassen (Hu et al., 2021). Diese Anpassbarkeit transformiert generische Künstliche Intelligenz in ein maßgeschneidertes Werkzeug, welches das exklusive Fachwissen der eigenen Organisation kodifiziert. Die Integration sensibler Unternehmensdaten wird dadurch lokal – "on-premise" – realisierbar, ohne dass ein riskantes Auslagern an externe Cloud-Schnittstellen erfolgen muss.

Wissensdestillation: Die Verdichtung von kognitiver Leistung

Die Leistungsfähigkeit lokaler Systeme wird zudem durch Verfahren der sogenannten Wissensdestillation (Knowledge Distillation) potenziert. In diesem Prozess wird das abstrakte „Wissen“ gigantischer, proprietärer Modelle auf kleinere, lokal und ressourcenschonend ausführbare Architekturen übertragen. Empirische Analysen dieser Destillationsverfahren belegen, dass die daraus resultierenden kompakten KI-Mittel in strengen Benchmarks zur Textgenerierung und zum logischen Schlussfolgern mit weitaus größeren, geschlossenen Pendants absolut konkurrieren können (Tunstall et al., 2023). Dieser Umstand garantiert nicht nur maximale Datensicherheit, sondern eliminiert auch die laufenden Transaktionskosten für API-Aufrufe, was den Return on Investment (ROI) drastisch erhöht.

Fazit: Autonomie durch offene Architekturen

Die akademische Evidenz lässt keinen Spielraum für Zweifel: Lokal gehostete, quelloffene Sprachmodelle stellen längst keine technologische Kompromisslösung mehr dar. Durch präzises Fine-Tuning, Wissensdestillation und methodische Effizienz erreichen sie eine qualitative Leistungsfähigkeit, die proprietären Top-Modellen ebenbürtig ist. Organisationen, die im Rahmen ihrer Architektur auf diese autonomen KI-Tools setzen, realisieren nicht nur höchste Datensouveränität, sondern etablieren eine skalierbare, kosteneffiziente Infrastruktur für die Herausforderungen der fortschreitenden Digitalisierung.

---

Quellenverzeichnis

Hinweis: Alle Quellen verlinken direkt auf die originalen, wissenschaftlichen Open-Access-PDF-Dokumente der globalen Forschungsdatenbank arXiv (Cornell University).

• Hu, E. J., et al. (2021). LoRA: Low-Rank Adaptation of Large Language Models. arXiv preprint. Abgerufen am 22. Juni 2026, von https://arxiv.org/pdf/2106.09685.pdf
• Touvron, H., et al. (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models. arXiv preprint. Abgerufen am 22. Juni 2026, von https://arxiv.org/pdf/2307.09288.pdf
• Tunstall, L., et al. (2023). Zephyr: Direct Distillation of LM Alignment. arXiv preprint. Abgerufen am 22. Juni 2026, von https://arxiv.org/pdf/2310.16944.pdf

Der strategische Wandel der Steuerberatung: Warum KI-Mittel den Fachexperten nicht ersetzen, sondern aufwerten

Die Furcht vor der vollständigen Automatisierung intellektueller Dienstleistungen ist so alt wie die informationstechnologische Revolution selbst. Doch die empirische Realität zeichnet ein fundamental anderes Bild: Wer postuliert, dass Algorithmen die juristische und steuerliche Fachexpertise zeitnah obsolet machen, verkennt die essenzielle Natur wirtschaftlicher Beratung. In der aktuellen Debatte herrscht oftmals das populistische Narrativ vor, dass der fortschreitende Einsatz von Künstlicher Intelligenz (KI) ganze Berufsstände auslöschen könnte. Eine fundierte Analyse der Steuerberaterbranche belegt jedoch das exakte Gegenteil: Moderne KI-Mittel fungieren nicht als Substitut für menschliches Fachwissen, sondern als hochwirksame Katalysatoren für eine qualitative Aufwertung der Beratungstätigkeit.

Automatisierung kognitiver Routinen als operativer Hebel

Um die Auswirkungen von KI-Tools seriös zu evaluieren, muss eine strikte Trennung zwischen repetitiver Sachbearbeitung und strategischer Beratung vorgenommen werden. Makroökonomische Erhebungen des Leibniz-Zentrums für Europäische Wirtschaftsforschung (ZEW) demonstrieren, dass besonders im Bereich der wissensintensiven und beratenden Dienstleistungen eine überdurchschnittlich hohe Adaptionsrate von KI-Verfahren existiert (Rammer et al., 2024). Diese Technologien werden primär zur Effizienzsteigerung bei der Datenextraktion, der Belegerfassung und der vorbereitenden Buchhaltung eingesetzt. Die fortschreitende Digitalisierung übernimmt folglich die massenhafte Verarbeitung strukturierter Daten, wodurch Fehlerquoten minimiert und wertvolle personelle Kapazitäten bei Steuerberatern und Fachangestellten freigesetzt werden.

Prozessarchitektur und die neue Rolle der Fachexpertise

Der ökonomische Mehrwert von Künstlicher Intelligenz entfaltet sich erst durch eine gezielte Einbettung in bestehende Unternehmensstrukturen. Angewandte Forschungsprojekte zur digitalen Transformation – beispielsweise bei Anbietern wie DATEV – belegen, dass die Implementierung maschinellen Lernens zwingend ein tiefes, menschliches Verständnis der zugrundeliegenden Arbeitsprozesse erfordert (Ganz et al., 2020). Algorithmen können isolierte steuerliche Teilaufgaben in Hochgeschwindigkeit berechnen, sie sind jedoch nicht in der Lage, das übergeordnete System zu gestalten oder komplexe kausale Zusammenhänge ohne vordefinierte Parameter zu interpretieren. Die steuerliche Sachbearbeitung transformiert sich somit: Der Fachexperte agiert zunehmend als Prozessarchitekt, der die KI-Mittel steuert, validiert und deren Ergebnisse rechtssicher bewertet.

Der Wandel zur proaktiven Gestaltungsberatung

Die steuerliche Gesetzgebung unterliegt einer enormen Dynamik, die von rein datenbasierten Systemen nur unzureichend abstrahiert werden kann. Aktuelle akademische Publikationen zur Zukunft der Branche unterstreichen, dass der steuerliche Beratungsbedarf durch technologische Entwicklungen keinesfalls abnimmt, sondern sich qualitativ verschiebt (Egner, 2024). Während die retrospektive Deklarationsberatung (wie das standardisierte Ausfüllen von Steuererklärungen) weitgehend automatisiert wird, wächst die Nachfrage nach proaktiver Gestaltungsplanung, komplexer Risikoanalyse und interdisziplinärer Unternehmensberatung. Ein Algorithmus kann steuerliche Belastungen vorhersagen, aber das empathische, unternehmerische Abwägen von strategischen Handlungsalternativen bleibt eine exklusiv menschliche Kompetenz.

Fazit: Symbiose statt Substitution

Die empirische und analytische Evidenz lässt nur einen validen Schluss zu: KI-Tools ersetzen die Steuerberatung nicht, sondern sie erzwingen eine evolutionäre Anpassung der Branche. Um die Potenziale dieser technologischen Disruption in nachhaltige Wettbewerbsvorteile zu übersetzen, müssen Kanzleien die Symbiose aus maschineller Effizienzsteigerung und menschlicher Urteilskraft forcieren. Das Berufsbild wandelt sich vom reinen Verwalter historischer Zahlen zum vorausschauenden, technologisch gestützten Strategieberater. Wer diese Transformation proaktiv gestaltet, wird durch den Einsatz intelligenter Werkzeuge seine fachliche Relevanz und Marktposition signifikant ausbauen.

---

Quellenverzeichnis

Hinweis: Alle Quellen verlinken direkt auf die originalen, wissenschaftlichen Open-Access-PDF-Dokumente der jeweiligen Universitäten und Forschungsinstitute.

• Egner, T. (Hrsg.). (2024). Die Digitalisierung in der Steuerberatung: Herausforderungen und Perspektiven. Otto-Friedrich-Universität Bamberg, Fakultät Sozial- und Wirtschaftswissenschaften. Abgerufen am 22. Juni 2026, von https://www.uni-bamberg.de/fileadmin/bwl-bsl/Sammelband_Digitalisierung_im_Steuerrecht_print.pdf
• Ganz, W., et al. (2020). Prozessmodellierung als Basis für Innovation der Sachbearbeitung mit Digitalisierung und Künstlicher Intelligenz: Ein Fallbeispiel zur Sachbearbeitung in der Softwareproduktion. Fraunhofer-Institut für Arbeitswirtschaft und Organisation (IAO). Abgerufen am 22. Juni 2026, von https://www.iao.fraunhofer.de/content/dam/iao/images/leistungen/prozessmodellierung-als-basis-fuer-transformation.pdf
• Rammer, C., et al. (2024). KI-Einsatz in Unternehmen in Deutschland. Leibniz-Zentrum für Europäische Wirtschaftsforschung (ZEW). Abgerufen am 22. Juni 2026, von https://www.zew.de/fileadmin/FTP/gutachten/IKTMonitoring/ZEW_KI_EinsatzinUnternehmeninDeutschland2024.pdf

Der strategische Einsatz von KI-Mitteln: Empirische Evidenz zur unternehmerischen Effizienzsteigerung

Die Wirtschaftsgeschichte kennt nur wenige Innovationen, die in der Lage sind, die kognitive Leistungsfähigkeit ganzer Organisationen nahezu in Echtzeit zu skalieren. Genau dieses Phänomen lässt sich aktuell empirisch beobachten. Die akademische und wirtschaftliche Debatte um Künstliche Intelligenz (KI) wird bedauerlicherweise oft von unfundierten Spekulationen dominiert. Ein nüchterner Blick auf die belastbaren Fakten ist daher unerlässlich. Gegenwärtig vollzieht sich ein fundamentaler Strukturwandel: Die systematische Integration moderner KI-Mittel ist nicht länger eine optionale Innovationsmaßnahme, sondern die zwingende Prämisse für eine erfolgreiche Digitalisierung. Für das moderne Management stellt sich ausschließlich die Frage nach der strategisch fundierten, wertschöpfenden Allokation dieser Technologien.

Quantifizierbare Effekte auf die Wissensarbeit

Um die Wirkungsweise von KI-Tools im wirtschaftlichen Kontext seriös zu bewerten, müssen großflächige, universitäre Erhebungen betrachtet werden. Eine vielbeachtete Studie des Massachusetts Institute of Technology (MIT) hat die Produktivitätseffekte von generativer KI auf Fachkräfte empirisch gemessen (Noy & Zhang, 2023). Die Ergebnisse belegen unmissverständlich: Besonders im Bereich der kognitiven Routinetätigkeiten und der Texterstellung profitieren Nutzer von einer immensen Effizienzsteigerung. Die benötigte Arbeitszeit für komplexe Aufgaben sank signifikant, während die Qualität der Ergebnisse anstieg. Der Mensch wird hierbei nicht ersetzt, sondern von repetitiven Aufgaben befreit, um sich strategischen Zielen zu widmen.

Die unscharfe technologische Grenze

Ein tieferes Verständnis für den Einsatz algorithmischer KI-Mittel liefert die renommierte Forschung der Harvard Business School. In einem großangelegten Feldexperiment wurde das Konzept der "jagged technological frontier" (unscharfe technologische Grenze) geprägt (Dell'Acqua et al., 2023). Die Studie zeigt auf, dass Künstliche Intelligenz bei bestimmten, hochkomplexen Wissensarbeiten extreme Leistungssprünge und Qualitätsverbesserungen ermöglicht, bei Aufgaben außerhalb ihres Kompetenzbereichs jedoch fehleranfällig bleibt. Für das strategische Management bedeutet dies: Die unternehmensweite Implementierung von KI-Tools erfordert ein präzises Wissen darüber, für welche spezifischen Use Cases die Technologie echten Mehrwert bietet.

Der Faktor Humankapital in der Digitalisierung

Besonders bemerkenswert ist der globale Trend der KI-Adaption, der jährlich vom Institute for Human-Centered Artificial Intelligence der Stanford University quantifiziert wird (Stanford University, 2023). Die harten Daten des Reports demonstrieren, dass technologische Verfügbarkeit allein keinen Wettbewerbsvorteil generiert. Der bloße Erwerb von Softwarelizenzen reicht keinesfalls aus. Die Belegschaft muss methodisch im Umgang mit diesen Systemen geschult werden. Die proaktive Weiterbildung des Humankapitals ist der einzige verlässliche Weg, um die volle Dividende der Digitalisierung in messbare Produktivität umzuwandeln.

Fazit: Wissenschaftliche Einordnung

Die akademische Evidenz ist eindeutig: Die Arbeitsproduktivität erfährt durch maschinelles Lernen eine historische Skalierung. Unternehmen, die jetzt evidenzbasiert in die passenden KI-Mittel investieren und die strukturelle Transformation ihrer Arbeitsprozesse wagen, etablieren nachhaltige Markteintrittsbarrieren für ihre Wettbewerber. Künstliche Intelligenz ist nicht nur ein technologisches Upgrade, sondern der zentrale Hebel für die Wettbewerbsfähigkeit und Resilienz im 21. Jahrhundert.

---

Quellenverzeichnis

• Dell'Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper, No. 24-013. Abgerufen am 19. Juni 2026, von https://www.hbs.edu/faculty/Pages/item.aspx?num=64700
• Noy, S., & Zhang, W. (2023). Study finds ChatGPT boosts worker productivity for some writing tasks. MIT News. Abgerufen am 19. Juni 2026, von https://news.mit.edu/2023/study-finds-chatgpt-boosts-worker-productivity-writing-0714
• Stanford University. (2023). Artificial Intelligence Index Report 2023. Stanford Institute for Human-Centered Artificial Intelligence (HAI). Abgerufen am 19. Juni 2026, von https://hai.stanford.edu/assets/files/hai_ai-index-report_2023.pdf