Verrechnungspreis-Dokumentation die KI vorstrukturiert.

Die Verrechnungspreisdokumentation gehört zu den aufwändigsten und ungeliebtesten Pflichten international tätiger Unternehmensgruppen. Für jede konzerninterne Transaktion — Warenlieferung, Dienstleistung, Lizenz, Finanzierung — verlangt der Gesetzgeber eine nachvollziehbare Begründung, dass die Preise dem Fremdvergleichsgrundsatz entsprechen. Das Ergebnis sind Local Files und ein Master File, die regelmäßig hunderte Seiten umfassen, aus vielen Datenquellen zusammengetragen werden müssen und bei jeder Betriebsprüfung auf dem Tisch landen. Gerade im gehobenen Mittelstand bindet das Wochen an Zeit von Steuerabteilung und Beratern. KI kann diesen Aufwand spürbar senken — nicht, indem sie die Dokumentation selbst verantwortet, sondern indem sie Transaktionsdaten sammelt, sie den passenden Methoden zuordnet und die Textbausteine vorstrukturiert, die ohnehin Jahr für Jahr ähnlich aussehen. Dieser Beitrag zeigt, welche Teile der Dokumentation sich realistisch automatisieren lassen, wo das steuerliche Urteil unverzichtbar bleibt, wie mit der Vertraulichkeit der Daten umzugehen ist und welchen Aufwand eine Einführung tatsächlich erfordert.

Warum die Dokumentation so aufwändig ist.

Die Verrechnungspreisdokumentation ist deshalb so arbeitsintensiv, weil sie drei sehr unterschiedliche Dinge zusammenführen muss: betriebswirtschaftliche Daten, eine ökonomische Methodik und eine rechtliche Argumentation. Für jede wesentliche konzerninterne Transaktion braucht es eine Funktions- und Risikoanalyse, die Wahl einer geeigneten Verrechnungspreismethode und einen Nachweis, dass der angesetzte Preis im fremdüblichen Rahmen liegt.

Der Aufwand entsteht weniger durch die intellektuelle Tiefe einzelner Aussagen als durch die schiere Menge an Zusammentragen, Abgleichen und Formulieren. Transaktionsdaten liegen im ERP, Verträge in der Rechtsabteilung, Vergleichsdaten in Datenbanken, das Vorjahres-Local-File irgendwo auf einem Laufwerk. Jedes Jahr wird vieles davon mit kleinen Änderungen neu zusammengestellt.

Genau diese Struktur — viel wiederkehrende Fleißarbeit, eingebettet in eine anspruchsvolle Beurteilung — macht das Feld attraktiv für KI-Unterstützung. Der wiederkehrende Teil lässt sich automatisieren; der beurteilende Teil bleibt beim Menschen. Wer beides sauber trennt, hebt den größten Teil des Nutzens, ohne ins Risiko zu laufen.

Welche Bausteine sich vorstrukturieren lassen.

Eine Verrechnungspreisdokumentation besteht aus Teilen mit sehr unterschiedlichem Automatisierungsgrad. Es lohnt sich, das offen zu benennen, statt eine Komplettlösung zu versprechen.

Die stärkste Wirkung entfaltet KI bei der Datensammlung und bei der Konsistenz: Sie zieht die konzerninternen Transaktionen aus dem ERP, ordnet sie den Transaktionsarten zu, gleicht sie mit den Verträgen ab und erzeugt eine strukturierte Übersicht. Über mehrere Local Files hinweg sorgt sie dafür, dass dieselbe Transaktion überall gleich beschrieben wird — ein häufiger Schwachpunkt, der Prüfern sofort auffällt. Die beschreibenden Textteile entwirft sie aus dem Vorjahr und den aktuellen Daten. Die eigentliche steuerliche Würdigung — Methodenwahl, Angemessenheit, Anpassungen — bleibt Sache der Fachleute.

Funktions- und Risikoanalyse strukturieren.

Die Funktions- und Risikoanalyse ist das Herzstück jeder Dokumentation und zugleich der Teil, bei dem leicht Inkonsistenzen entstehen. Sie beschreibt, welche Gesellschaft welche Funktionen ausübt, welche Risiken trägt und welche Wirtschaftsgüter einsetzt — die Grundlage dafür, welcher Gesellschaft welcher Gewinnanteil zusteht.

KI kann hier die Vorarbeit leisten: Sie sammelt die relevanten Informationen aus Verträgen, Organigrammen, Prozessbeschreibungen und Vorjahresunterlagen und ordnet sie in das gewohnte Raster ein — Funktionen, Risiken, eingesetzte Wirtschaftsgüter, je Gesellschaft. Sie kann auch Widersprüche aufzeigen, etwa wenn ein Vertrag einer Gesellschaft ein Risiko zuweist, das die Funktionsbeschreibung einer anderen Gesellschaft zuordnet.

Was sie nicht leisten darf, ist die wertende Einordnung: Ob eine Gesellschaft tatsächlich Entrepreneur oder Routineunternehmen ist, ob ein Risiko wirtschaftlich getragen wird oder nur vertraglich behauptet — das ist eine fachliche und oft strittige Beurteilung mit erheblichen steuerlichen Folgen. Eine KI, die hier eigenständig „entscheidet“, erzeugt ein Dokument, das im Zweifel teurer ist als gar keines.

Benchmark-Studien — Aufbereitung statt Bewertung.

Der Fremdvergleich stützt sich häufig auf Benchmark-Studien: Man sucht vergleichbare unabhängige Unternehmen oder Transaktionen und leitet daraus eine fremdübliche Bandbreite ab. Die Datenbankrecherche, die Filterung nach Vergleichbarkeitskriterien und die Aufbereitung der Ergebnisse sind aufwändig und teilweise schematisch — ein gutes Feld für Unterstützung.

KI kann die Rohdaten strukturieren, offensichtlich unpassende Vergleichsunternehmen vorfiltern, Kennzahlen aufbereiten und die Bandbreiten rechnerisch ermitteln. Sie kann auch die Begründungstexte vorformulieren, warum bestimmte Unternehmen ausgeschlossen wurden.

Die kritischen Schritte bleiben menschlich: die Festlegung der Vergleichbarkeitskriterien, die qualitative Prüfung jedes potenziellen Vergleichsunternehmens, etwaige Anpassungsrechnungen und die abschließende Würdigung, ob das Ergebnis trägt. Hier ist besondere Vorsicht geboten, weil generative Modelle dazu neigen, plausible, aber nicht belegte Zahlen zu erzeugen. Jede Kennzahl in einer Benchmark-Studie muss auf eine nachprüfbare Quelle zurückführbar sein — eine erfundene Vergleichskennzahl ist in einer Betriebsprüfung ein ernstes Problem.

Vertraulichkeit und Datenschutz der Konzerndaten.

Verrechnungspreisdaten gehören zum Sensibelsten, was ein Konzern hat: konzerninterne Margen, Vertragskonditionen, strategische Funktionsverteilungen. Diese Informationen dürfen nicht ungeschützt an ein öffentliches Sprachmodell gelangen, das sie protokollieren oder zum Training nutzen könnte.

Für diesen Anwendungsfall ist eine abgesicherte Verarbeitung kein optionaler Komfort, sondern Voraussetzung. In Frage kommen Modelle mit vertraglich zugesicherter Verarbeitung in der EU ohne Training auf den Eingaben, betrieben im Rahmen einer sauberen Auftragsverarbeitung — oder, bei besonders sensiblen Gruppen, ein im eigenen Netz betriebenes Modell. Personenbezogene Daten, die in Organigrammen oder Funktionsbeschreibungen auftauchen, unterliegen zusätzlich der DSGVO.

Praktisch sollte vor dem ersten Projekt geklärt sein, welche Daten überhaupt in das System fließen, wo sie verarbeitet werden und wie lange sie gespeichert bleiben. Das ist weniger Bürokratie als Selbstschutz: Ein Datenabfluss in diesem Bereich wäre nicht nur ein Compliance-Verstoß, sondern ein Wettbewerbsnachteil.

Grenzen und das verbleibende fachliche Urteil.

Die wichtigste Erwartungssteuerung: KI erstellt keine prüfungsfeste Verrechnungspreisdokumentation auf Knopfdruck. Sie liefert hochwertige Entwürfe und übernimmt die Fleißarbeit, aber die fachliche und rechtliche Verantwortung bleibt bei der Steuerabteilung und den Beratern. Das ist keine Einschränkung des Nutzens, sondern die korrekte Rollenverteilung.

Drei Bereiche sind besonders heikel. Erstens die Methodenwahl und Angemessenheit — eine steuerliche Entscheidung mit unmittelbarer Ergebniswirkung. Zweitens strittige oder neue Sachverhalte, für die es keine saubere Vorlage gibt und bei denen das Modell mangels Muster zu generischen oder falschen Aussagen neigt. Drittens die länderspezifischen Anforderungen: Lokale Dokumentationsvorschriften unterscheiden sich, und ein für Deutschland passender Entwurf erfüllt nicht automatisch die Anforderungen einer anderen Finanzverwaltung.

Sinnvoll ist deshalb ein Vier-Augen-Prinzip mit Quellenbindung: Jede vom System erzeugte Aussage ist auf ihre Datengrundlage zurückführbar, und ein Fachmensch gibt frei. So wird KI zum Beschleuniger, ohne zum Haftungsrisiko zu werden.

Aufwand, Kosten und realistischer Nutzen.

Ein sinnvoller Einstieg ist nicht die gesamte Dokumentation, sondern ein klar abgegrenzter Teil — etwa die strukturierte Datensammlung und die Local Files einer Region oder eines Transaktionstyps. In acht bis sechzehn Wochen lässt sich eine erste produktive Lösung aufbauen, die Daten zieht, Konsistenz sichert und Entwürfe liefert.

Die Investition für einen ersten Anwendungsfall liegt im gehobenen Mittelstand grob bei 40.000 bis 120.000 Euro, abhängig von der Datenlandschaft, der Zahl der Gesellschaften und der ERP-Integration. Laufende Kosten bewegen sich häufig bei 1.500 bis 4.000 Euro monatlich. Der Nutzen entsteht über deutlich reduzierten Erstellungsaufwand, konsistentere Dokumente und eine bessere Prüfungsvorbereitung.

Realistisch ist eine Reduktion des reinen Erstellungs- und Abstimmungsaufwands in den betroffenen Bereichen um grob 30 bis 50 Prozent — vor allem dort, wo bisher viel manuelles Zusammentragen und Umformulieren anfiel. Die fachliche Prüfzeit sinkt kaum, und das ist gewollt. Wer diesen Nutzen realistisch ansetzt und die Rollenverteilung respektiert, bekommt ein verlässliches Werkzeug, das die Steuerabteilung von Routine befreit und ihr Zeit für die wirklich strittigen Fragen gibt.

Sie wollen prüfen, ob sich Ihre Verrechnungspreisdokumentation mit KI vorstrukturieren und konsistenter machen lässt? Unverbindlich anfragen — wir schauen gemeinsam auf Transaktionsstruktur, Datenquellen und Vertraulichkeitsanforderungen und schätzen den möglichen Hebel ehrlich ab.