Von einem Algorithmus geprüft: Was die neue KI-Governance-Richtlinie des IRS für Ihr kleines Unternehmen bedeutet

Vor zwei Jahren betrieb der IRS etwa 10 aktive KI-Projekte. Heute sind es 126 – und sechsmal im Jahr durchforstet eine Reihe von maschinellen Lernmodellen jede Steuererklärung von kleinen Unternehmen und Selbstständigen auf der Suche nach Mustern, die ein menschlicher Prüfer Wochen bräuchte, um zu erkennen. Am 10. Februar 2026 machte die Behörde dies offiziell, indem sie die Praxis als IRM 10.24.1 in das Internal Revenue Manual aufnahm – ihre erste formelle Richtlinie zur Regelung, wie KI Steuererklärungen für Prüfungen auswählt.

Wenn Sie ein Unternehmen führen und eine Anlage C, ein 1120-S-Formular oder eine Personengesellschaftserklärung einreichen, ist dies kein Hintergrundrauschen. Es ist eine echte Veränderung darin, wer vom IRS einer genaueren Prüfung unterzogen wird und warum. Hier erfahren Sie, was sich geändert hat, wonach die Algorithmen tatsächlich suchen und wie Sie sicherstellen, dass Ihre Bücher ihnen nie einen Grund geben, Sie zu markieren.

Was IRM 10.24.1 tatsächlich besagt​

Der neue Handbuchabschnitt tut drei konkrete Dinge:

1. Er definiert, was KI im Prüfungsprozess tun darf – einschließlich explizit Systeme, die "darüber informieren oder beeinflussen, ob ein Steuerpflichtiger einer Prüfung unterzogen wird, oder welche Aspekte einer Erklärung geprüft werden." Der IRS bezeichnet dies als eine "vermutlich risikoreiche" Nutzung von KI und ordnet sie in dieselbe Risikokategorie ein wie Systeme, die Bürgerrechte oder kritische Infrastruktur betreffen.
2. Er schreibt eine obligatorische menschliche Überprüfung vor, bevor eine KI-generierte Empfehlung zu einer tatsächlichen Prüfung wird. Ein Modell kann eine Erklärung markieren, aber eine Person muss zustimmen, bevor daraus eine Mitteilung wird.
3. Er legt Dokumentationsanforderungen für die KI-gestützte Fallauswahl fest, sodass Prüfer schriftlich erklären können müssen, warum ein Fall ausgewählt wurde.

Die Richtlinie schafft auch eine Governance-Struktur: Ein Chief Data and Analytics Officer fungiert als "Responsible AI Official" des IRS, und ein Gremium namens Data and Analytics Strategic Integration Board genehmigt jeden neuen risikoreichen KI-Anwendungsfall, bevor er in Betrieb geht.

In einfachem Englisch: Der IRS verheimlicht nicht, dass Algorithmen eine erste Sichtung Ihrer Steuererklärung durchführen. Er legt nun schriftlich die Regeln fest, wie diese Sichtung funktioniert – was auch bedeutet, dass Prüfer dies später rechtfertigen können müssen.

Wie die Modelle tatsächlich Ihre Erklärung auswählen​

Zwei der KI-Modelle des IRS zielen speziell auf selbstständige Steuerzahler und Kleinunternehmer ab, und das aus einem einfachen Grund: Nicht gemeldetes Einkommen aus selbstständiger Arbeit ist der größte Einzelbestandteil der individuellen Steuerlücke. Diese Modelle betrachten Ihre Erklärung nicht isoliert – sie vergleichen sie mit Ihrer eigenen Einreichungshistorie und mit Tausenden ähnlicher Unternehmen in Ihrer Branche. Einige Dinge erhöhen zuverlässig den Score:

• Abweichungen von Jahr zu Jahr. Ein Beratungsunternehmen, das im letzten Jahr 180.000 USD Bruttoeinnahmen und in diesem Jahr 95.000 USD gemeldet hat, ohne offensichtliche Erklärung, sticht sofort hervor.
• Abzugsquoten außerhalb der Branchennorm. Der IRS führt statistische Profile typischer Ausgaben-Einnahmen-Verhältnisse nach Branche. Wenn Ihr Unternehmen 65–70 % der Bruttoeinnahmen als Abzüge geltend macht, während die Norm für Ihren NAICS-Code bei 35–45 % liegt, wird diese Lücke markiert – selbst wenn jeder Abzug rechtmäßig ist.
• Runde Zahlen. Eine Anlage, die Bürobedarf mit genau 5.000 USD, Nebenkosten mit 3.000 USD und Verpflegung mit 2.000 USD ausweist, wirkt wie geschätzt, nicht wie erfasst. Echte Buchhaltung produziert Zahlen wie 4.847,13 USD und 2.963,82 USD, nicht saubere Vielfache von fünf.
• Informationsunterschiede. Der IRS gleicht W-2-, 1099- und K-1-Formulare ab, die er direkt von den Zahlern erhält. Wenn eine 1099-NEC über 42.000 USD nirgendwo in Ihrer Erklärung auftaucht, ist das eine automatische, nahezu sofortige Diskrepanz – keine KI erforderlich, um sie zu erkennen, aber KI hilft jetzt dabei, zu priorisieren, welche Diskrepanzen am wichtigsten sind.
• Kilometer- und Ausgabenausreißer. Angaben wie über 40.000 Geschäftskilometer pro Jahr für ein Ein-Fahrzeug-Unternehmen oder Verpflegungs- und Bewirtungskosten über 10 % des Umsatzes sind statistische Ausreißer, die stark gewichtet werden.

Nichts davon ist grundsätzlich neu – das Discriminant Function (DIF)-Scoring-System des IRS vergleicht seit Jahrzehnten Erklärungen mit statistischen Normen. Neu sind der Umfang und die Geschwindigkeit: Anstelle einer statischen Formel, die periodisch überprüft wird, haben Sie jetzt Modelle, die sechsmal im Jahr neu laufen und mit jedem Zyklus besser darin werden, Muster zu erkennen.

Der Teil, der Sie mehr beunruhigen sollte: Reaktionszeit, nicht Erkennung​

Hier ist die Asymmetrie, auf die Kleinunternehmer im Jahr 2026 tatsächlich stoßen: Die KI-gestützte Markierung ist schnell, aber die menschliche Seite der Auflösung einer Markierung hat nicht mit dem Umfang Schritt gehalten. Automatisierte Mitteilungen gehen schnell raus. Einen lebenden Menschen ans Telefon zu bekommen oder eine substanzielle schriftliche Antwort auf eine Mitteilung zu erhalten, dauert jetzt merklich länger als vor zwei Jahren. Eine Markierung, die im Jahr 2023 ein fünfminütiges Telefonat gewesen wäre, kann jetzt monatelang ungelöst bleiben, während Strafen und Zinsen anfallen.

Das bedeutet, dass die eigentlichen Kosten einer unordentlichen Erklärung nicht nur das Prüfungsrisiko sind – es ist die Zeit und der Stress, eine einmal aufgeworfene Markierung zu entwirren, mit einem langsameren menschlichen Backstop auf der anderen Seite. Die beste Verteidigung ist, dem Algorithmus erst gar keinen Grund zu geben, Sie zu markieren.

Warum der IRS diese Richtlinie schriftlich festlegen musste​

Die Governance-Struktur in IRM 10.24.1 ist nicht nur bürokratische Hausarbeit – sie ist eine direkte Reaktion auf ein echtes Problem mit algorithmischer Prüfungsauswahl. Unabhängige Forschung und Überprüfungen des Government Accountability Office haben ergeben, dass bestimmte Gruppen von Steuerzahlern, darunter schwarze Steuerzahler, die den Earned Income Tax Credit beantragen, drei- bis fünfmal häufiger geprüft wurden als andere Steuerzahler mit ähnlichen Erklärungen. Die Arbeitstheorie des GAO ist, dass dies keine gezielte Ansprache, sondern eine unbeabsichtigte algorithmische Verzerrung ist – Modelle, die auf historischen Prüfungsdaten trainiert wurden, können letztendlich alle Selektionsmuster reproduzieren, die in der Vergangenheit existierten, selbst wenn niemand sie dazu bestimmt hat.

Genau deshalb verlangt die neue Richtlinie Folgenabschätzungen, kontinuierliche Überwachung und eine obligatorische menschliche Zustimmung, bevor die Empfehlung eines Modells zu einer tatsächlichen Prüfung wird: Ein maschinelles Lernsystem, das ausschließlich darauf optimiert ist, "nicht gemeldetes Einkommen zu erkennen", hat keine eingebaute Kontrolle darüber, wessen Einkommen es überproportional markiert. Kleinunternehmer sollten dies als Grund für vorsichtigen Optimismus lesen und nicht als einen Rechtsstreit, der nur darauf wartet, auszubrechen – die Anforderung der menschlichen Überprüfung ist ein echter Backstop –, aber es bestätigt auch, dass die erste Bewertung der KI nicht unfehlbar ist. Wenn Sie markiert werden, bedeutet das nicht, dass der Algorithmus etwas Reales gefunden hat; es bedeutet, dass ein Mustererkennungssystem etwas statistisch Ungewöhnliches gefunden hat, das Ihre eigenen Aufzeichnungen möglicherweise perfekt erklären.

Wenn Sie doch markiert werden​

Eine Mitteilung zu erhalten, bedeutet nicht, dass Sie etwas falsch gemacht haben – es bedeutet normalerweise, dass eine Zahl irgendwo nicht der Erwartung des Modells für ein Unternehmen wie Ihres entsprach. Einige Dinge machen den Unterschied zwischen einer schnellen Lösung und einer langwierigen aus:

• Antworten Sie schriftlich, und zwar schnell. Angesichts der oben beschriebenen längeren Wartezeiten für eine menschliche Überprüfung wird eine frühe, vollständige schriftliche Antwort eher beim ersten Durchgang gelöst als ein Telefonat, das Sie in eine Warteschlange zurückbringt.
• Beginnen Sie mit dem Abgleich, nicht mit der Erklärung. Zeigen Sie die zugrunde liegenden Transaktionen, die die fragliche Zahl hervorgebracht haben, bevor Sie erklären, warum sie rechtmäßig sind. Prüfer arbeiten schneller, wenn die Mathematik bereits für sie erledigt ist.
• Lassen Sie nicht zu, dass ein markiertes Jahr zu drei wird. Eine ungelöste Markierung bei der diesjährigen Erklärung ist genau die Art von Anomalie, die ein Folgemodell dazu bringt, auch die Vorjahres- und Folgejahreserklärungen genauer zu prüfen. Schließen Sie sie vollständig ab, anstatt sie unbearbeitet zu lassen.
• Ziehen Sie einen CPA oder einen enrolled agent hinzu, wenn die Mitteilung einen erweiterten Umfang erwähnt. Eine Markierung bei einer einzelnen Position können Sie selbst bearbeiten; eine Anfrage nach Belegen für mehrere Jahre ist professionelle Hilfe wert.

Was Ihr Risiko tatsächlich senkt​

Nichts davon bedeutet, dass Sie rechtmäßige Abzüge zu niedrig ansetzen sollten – das Ziel ist eine Erklärung, die genau und gut belegt ist, nicht eine kleinere.

Führen Sie zeitnahe Aufzeichnungen, keine rekonstruierten. Dokumentation, die zum Zeitpunkt der Ausgabe erstellt wurde – eine Quittung, die in der Woche des Kaufs erfasst wurde – hat weit mehr Gewicht als eine Tabelle, die am Abend vor Abgabe Ihrer Erklärung zusammengestellt wurde. Es ist auch einfach einfacher: Sechs Monate Ausgaben im April aus dem Gedächtnis zu rekonstruieren, ist der Grund, warum rechtmäßige Abzüge übersehen oder falsch angegeben werden.

Verwenden Sie einen Kontenplan, der die tatsächliche Funktionsweise Ihres Unternehmens widerspiegelt. Breite, vage Kategorien wie "Sonstiges" oder "Andere Ausgaben" sind genau die Behälter, die am schwersten zu verteidigen und für ein Modell am einfachsten als Rauschen zu markieren sind. Wenn Ihre Bücher eine Zahl nicht erklären können, können Sie es auch nicht.

Gleichen Sie Einkünfte vor der Einreichung mit jeder 1099 und jedem K-1 ab. Da der IRS diese Formulare bereits hat, ist jede Diskrepanz nahezu eine garantierte Markierung. Ein schneller Quervergleich mit Ihren Büchern vor der Einreichung erkennt dies in Minuten statt Monaten später in einer Mitteilung.

Vermeiden Sie runde Zahlen bei allem, was Sie nicht buchstäblich in runden Zahlen ausgegeben haben. Wenn Ihre echte Buchhaltung präzise ist, wird Ihre Erklärung diese Präzision natürlich widerspiegeln – was an sich ein Zeichen von Rechtmäßigkeit ist.

Trennen Sie geschäftliche und private Konten vollständig. Vermischte Gelder sind einer der schnellsten Wege, eine Routinekontrolle in eine echte Prüfung zu verwandeln, da sie jede andere Zahl in der Erklärung schwerer überprüfbar machen.

Der rote Faden: Jede dieser Korrekturen läuft darauf hinaus, das ganze Jahr über saubere, vollständige, zeitnahe Bücher zu führen – und nicht darum, sie zur Steuerzeit hektisch zu rekonstruieren. Plain-Text-, versionierte Buchhaltung macht diese Disziplin leicht nachhaltig, da jede Transaktion zum Zeitpunkt ihres Auftretens in einem Format erfasst wird, das Sie selbst prüfen können, bevor der IRS es tut.

Halten Sie Ihre Bücher für jede Art von Prüfung bereit​

Da die Prüfungsauswahl schneller und automatisierter wird, haben die Unternehmen, die sich am wenigsten Sorgen machen müssen, solche, deren Bücher korrekt waren, bevor ein Algorithmus sie jemals angesehen hat. Beancount.io bietet Ihnen Plain-Text-Buchhaltung mit vollständiger Transparenz und einem vollständigen git-ähnlichen Verlauf jeder Änderung – keine Black-Box-Kategorisierung, keine rekonstruierten Aufzeichnungen, nur ein Hauptbuch, das Sie Zeile für Zeile verteidigen können. Starten Sie kostenlos und halten Sie Ihre Bücher standardmäßig prüfbereit, nicht durch Hektik.