Kursbeschreibung
KI kann in der internen Revision echte Wirkung entfalten, wenn du sie wie ein Prüfwerkzeug behandelst: mit klaren Fragen, definierten Daten, messbaren Erfolgskriterien und sauberer Dokumentation. In diesem Seminar erarbeitest du genau dieses Setup für Betrugsprävention und Compliance. Du startest mit einem Grundverständnis der relevanten KI-Ansätze. Du lernst, wann Anomalieerkennung sinnvoll ist, wie Klassifikation und Clustering bei Risikosegmentierungen helfen und wofür sich Large Language Models in der Revisionspraxis eignen, zum Beispiel bei der Auswertung von Richtlinien, Verträgen oder Hinweisen aus Hinweisgebersystemen. Gleichzeitig besprechen wir typische Risiken wie Halluzinationen, Bias, unklare Datenherkunft und ungewollte Preisgabe vertraulicher Informationen. Anschließend überführst du Betrugs- und Compliance-Risiken in konkrete Prüfsignale. Du definierst Red Flags, wählst passende Schwellen und lernst, wie du Fehlalarme begrenzt, ohne relevante Fälle zu übersehen. Für GenAI trainierst du ein Prompt-Set, das Nachvollziehbarkeit erzwingt: Kriterienkatalog, Quellenpflicht, strukturierte Outputs und klare Abbruchbedingungen. Zum Abschluss baust du eine Governance- und Nachweisstruktur auf, die zu Revision und Compliance passt: Dokumentation, Audit Trail, Versionierung, Datenschutz-Checks und Einordnung von EU AI Act-Anforderungen. Damit kannst du KI-Use-Cases verantwortungsvoll einführen und Ergebnisse so berichten, dass sie im Audit Bestand haben.
Zielgruppe
- Interne Revisorinnen und interne Revisoren
- Compliance Managerinnen und Compliance Manager, IKS- und GRC-Verantwortliche
- Risikomanagerinnen und Risikomanager sowie Fraud- und Investigations-Teams
- Data- und Analytics-Ansprechpersonen in Revision oder Finance
- Für alle, die KI in Prüfungen und Kontrollen nachvollziehbar einsetzen wollen.
Voraussetzung für die Schulung
- Grundverständnis von Revisionsprozessen, IKS oder Compliance-Themen.
- Keine Programmierkenntnisse nötig; hilfreich ist Erfahrung mit Excel oder BI-Reports.
Kursinhalte
- KI-Grundlagen für Revisionsarbeit
- Was KI kann und was nicht: Muster, Anomalien, Texte
- Begriffe sicher nutzen: LLM, Klassifikation, Clustering
- Typische Fehlerbilder: Bias, Halluzinationen, Datenleck
- Betrugsprävention mit Daten- und Prozesssignalen
- Fraud-Typologien: Zahlungsverkehr, Beschaffung, Spesen
- Red Flags als Features: Schwellen, Häufigkeiten, Beziehungen
- Anomalieerkennung vs. regelbasiertes Monitoring
- Compliance-Checks mit Text- und Dokumenten-KI
- Richtlinien, Verträge, E-Mails: sinnvolle Use Cases
- Dokumentenklassifikation und Extraktion (z. B. Klauseln)
- Hinweisgebersysteme: Triage und Priorisierung
- Prompting und sichere Nutzung von GenAI
- Prompts für Revisionsfragen: Nachvollziehbarkeit statt Kreativität
- Rollen, Kriterien, Quellenpflicht: prüfungstaugliche Prompts
- Vertraulichkeit: Datenmaskierung und On-Prem-Optionen
- Governance, Recht und Nachweisfähigkeit
- EU AI Act, Datenschutz, Betriebsrat: was du klären musst
- Modellrisiko-Management: Dokumentation und Kontrollen
- Audit Trail: Entscheidungen, Datenstände, Versionen
- Vom Use Case zur Revisionsprüfung
- Use-Case-Canvas: Ziel, Risiko, Daten, Erfolgskriterien
- Testdesign: Stichproben, Schwellen, False Positives
- Berichtsfähige Ergebnisse: Findings und Maßnahmen
