Prüfer und Compliance brauchen Nachvollziehbarkeit, nicht nur Ergebnisse. Ein Ergebnis ohne Beleg ist im Audit wertlos. cNode dokumentiert jede Aussage bis zur Quelle und hält den Rechenweg je Datenpunkt fest — automatisch, nicht nachträglich zusammengesucht.
Ausgangslage & Kontext
Compliance-Funktionen im Mittelstand und in der öffentlichen Hand stehen unter wachsendem Nachweisdruck. Interne Revision, externe Wirtschaftsprüfung, Aufsichtsbehörden und zunehmend der EU AI Act verlangen nicht nur, dass eine Aussage stimmt, sondern dass sie belegt und nachvollziehbar ist.
Der EU AI Act macht Protokollierung (Art. 12) und Transparenz (Art. 13) für entscheidungsvorbereitende Systeme zur Pflicht. Zugleich verlangt die DSGVO klare Auftragsverarbeitung (Art. 28) und untersagt die zweckfremde Nutzung personenbezogener Daten. Ein KI-System, das Compliance unterstützen soll, muss diese Anforderungen selbst erfüllen — sonst verlagert es das Risiko nur.
Das Problem
KI-Ausgaben ohne Beleg sind im Audit wertlos. Ein Sprachmodell, das eine Kennzahl oder eine Einschätzung „ausgibt“, liefert kein prüfbares Artefakt: Weder die Quelle noch der Rechenweg lassen sich rekonstruieren, und beim nächsten Lauf kann das Ergebnis anders ausfallen.
In der Praxis wird der Nachweis deshalb mühsam von Hand nachgebaut — Belege werden zusammengesucht, Herleitungen rekonstruiert, Screenshots archiviert. Das ist teuer, fehleranfällig und genau das, was der EU AI Act durch systematische Protokollierung ersetzen will.
Konkrete Schwachstellen
- KI-Ausgaben ohne Beleg sind im Audit wertlos.
- Nachweise werden mühsam manuell zusammengesucht.
- Ergebnisse aus Blackbox-Modellen sind nicht reproduzierbar.
- EU AI Act verlangt dokumentierte, nachvollziehbare Entscheidungen.
Die Kausalkette
Die Kette, die zu einem teuren, riskanten Audit führt, beginnt lange vor der Prüfung:
- Ergebnis ohne mitlaufenden Belegerzwingt nachträgliche Nachweis-Rekonstruktion
- Manuelle Rekonstruktionist lückenhaft und nicht reproduzierbar
- Lückenhafte Nachweisehalten der Prüfung nicht stand
- Nicht standhaltende Nachweiseerzeugen Findings und Haftungsrisiko
Wo cNode die Kette durchtrennt
cNode durchtrennt die Kette am ersten Glied: Der Beleg läuft mit, statt nachträglich rekonstruiert zu werden. Zu jedem Datenpunkt entsteht der Audit-Trail automatisch im selben Lauf, in dem das Ergebnis berechnet wird. Es gibt nichts nachzubauen — der Nachweis liegt bereits vor, reproduzierbar und exportierbar, bevor die Prüfung überhaupt beginnt.
Wie cNode es löst
cNode erzeugt den Audit-Trail je Datenpunkt automatisch, als integralen Teil der Berechnung — nicht als nachgelagerten Report. Jede Aussage referenziert die Quelle, aus der sie stammt, und den vollständigen Rechenweg, über den sie entstand.
Weil die Berechnung deterministisch und über einen festen Seed reproduzierbar ist, führt dieselbe Datengrundlage nachweislich zum selben Ergebnis. Ein Prüfer kann die Herleitung Schritt für Schritt nachvollziehen und den Lauf jederzeit wiederholen — die stärkste Form der Prüfbarkeit.
Der Trail lässt sich prüferfreundlich als PDF, CSV oder JSON exportieren und in bestehende Revisions- und GRC-Prozesse einbinden. Betrieben wird das System wahlweise in Frankfurt oder vollständig on-prem bis air-gapped, ohne dass Daten das Haus verlassen.
Das Sprachmodell dient auch hier nur der Verbalisierung: Es erklärt die belegte Herleitung in verständlicher Sprache, erfindet aber weder Zahlen noch Belege.
Der deterministische Ablauf
- Audit-Trail je Datenpunkt — automatisch im Berechnungslauf, nicht nachträglich.
- Quelle und Rechenweg für jede einzelne Aussage.
- Deterministisch und reproduzierbar über einen festen Seed.
- Export als PDF, CSV oder JSON; das LLM verbalisiert nur.
- Betrieb on-prem bis air-gapped, keine Trainingsnutzung der Daten.
Das Ergebnis
Prüfungen laufen schneller, weil der Nachweis schon vorliegt statt erst erzeugt zu werden. Die Dokumentation ist an EU AI Act Art. 12/13 anschlussfähig, die Verarbeitung folgt der Auftragsverarbeitung nach DSGVO Art. 28, und Kundendaten werden nicht zum Training verwendet. Aus einem riskanten Audit wird ein Routinevorgang.
Methodik & Belegbarkeit
Der methodische Kern ist die Trennung von Berechnung und Sprache: Die Engine rechnet deterministisch und protokolliert lückenlos, das Sprachmodell formuliert nur. Dadurch kann keine unbelegte oder erfundene Aussage in den Trail gelangen.
Reproduzierbarkeit über einen festen Seed, Quellen- und Rechenwegnachweis je Aussage und ein durchgängiger Audit-Trail bilden die Grundlage für EU-AI-Act-Konformität (Art. 12/13). Auftragsverarbeitung nach DSGVO Art. 28, Betrieb on-prem bis air-gapped, modell-agnostisch.
Quellen & Weiterführendes
- EU AI Act, Art. 12 — Aufzeichnungspflichten (Protokollierung).
- EU AI Act, Art. 13 — Transparenz und Information.
- DSGVO, Art. 28 — Auftragsverarbeitung.
- Verwandt: Kommunales Beteiligungsmanagement, Öffentliche Verwaltung.