KI im öffentlichen Schuldenmanagement

Was ist Wissen heute noch wert? So manche behaupten: nichts, denn mit ChatGPT & Co. sind jegliche Fähigkeiten und Fertigkeiten nur einen Mausklick entfernt. Diese Frage wird auch zu-nehmend im öffentlichen Schuldenmanagement relevant, wo es darum geht, Geldmittel zu beschaffen und Staatshaushalte auf allen Ebenen der Bundesrepublik gegen Zinsrisiken möglichst weitgehend zu immunisieren. Schließlich geht es um nichts weniger als die staatsorganisatorische und volkswirtschaftliche Ordnungsfunktion des Schuldenwesens. Staatsverschuldung, gleich auf welcher Ebene, soll nach der aktuellen politischen Zielsetzung Zukunftsinvestitionen ermöglichen, gleichwohl aber auch die so häufig unterschätzte zukunftsbelastende Wirkung begrenzen.

Herausforderungen in der Praxis

Die öffentliche Hand bedient sich meist zweier Arten von Kreditaufnahmeinstrumenten, die entweder variabel oder fest verzinst werden. Der Unterschied liegt im Zinsrisiko. Bei einem festverzinslichen Kredit sind Zinszahlungen gleichbleibend für die gesamte Laufzeit. Bei variabel verzinslichem Kredit werden Zinszahlungen von einem Referenzzinssatz (6-Monats-Euribor) abgeleitet, was bei einer zehnjährigen Laufzeit 20 ungewisse Zinszahlungen bedeutet. Die letztere Variante steht im Konflikt mit dem Grundsatz der Kalkulationssicherheit im öffentlichen Haushalt. Vor diesem Hintergrund zeigt sich oft, dass der variabel verzinsliche Anteil an Krediten eher gering gehalten wird, während der festverzinsliche dominiert. Somit folgen viele öffentliche Träger dem Prinzip: Kosten vor Risiko. Das heißt: Es wird ein höherer Zinssatz für lange Laufzeiten präferiert und das Risiko sich ständig ändernder Zinszahlungen vermieden. Bezüglich der Frage, ob mit variablen Krediten tatsächlich auch höhere Zinsaufwendungen einhergehen, gibt es in der Literatur unterschiedliche Auffassungen.

Zudem stellt sich die Frage nach dem optimalen Mischverhältnis bei der Zusammensetzung von langen und kurzen Kreditlaufzeiten. Wenn grundsätzlich nur kurzlaufende Kredite im Bestand sind, müssen diese ständig zu den dann gültigen Konditionen refinanziert werden. Der Schuldenbestand ist in diesem Fall einem hohen Zinsänderungsrisiko ausgesetzt. Laufzeiten von über zehn Jahren sorgen zwar für Zinsausgabenstabilität, haben aber den Nachteil, dass die Kommune nicht von günstigen Zinsphasen profitieren kann. Beide Strategien müssen gut gegeneinander abgewogen werden.

KI als Unterstützung

Nicht selten werden solche Entscheidungen auf Basis sehr abstrakter Annahmen getroffen. Es ist auch nicht selten, dass der eigene Erfahrungsschatz das Maß der Dinge ist. Doch ein Mensch ist, wie er ist, und nicht immer in der Lage, aus großen Datenmengen belastbare Schlüsse zu ziehen oder komplexe Berechnungen durchzuführen. Und genau an diesem Punkt bietet die KI eine Hilfestellung an.

R ist eine Statistiksoftware, die im Internet frei verfügbar ist. Mit dieser Software ist es möglich, umfangreiche Datenanalysen zu betreiben und Simulationen zu berechnen. Ergebnisse lassen sich auch visuell abbilden, was die Interpretation deutlich erleichtert. Problematisch für den Anwender ist lediglich die Programmiersprache in Form von Codes, die für die Formulierung eines Befehls notwendig sind. Programmierkenntnisse sind dank ChatGPT nicht in dem Umfang wie in der Vergangenheit vonnöten. So ist ChatGPT etwa in der Lage, textlich formulierte Befehle („[…] berechne die Duration für ein endfälliges Darlehen und ein Ratendarlehen“) in R-Codes zu übersetzen. Diese Codes lassen sich in die Entwicklungsumgebung R-Studio hineinkopieren. Bei der Formulierung des textlichen Befehls sind die Präzision (zum Beispiel eine konkrete Zinsberechnungsmethode) und Angabe aller relevanten Daten von großer Bedeutung. Denn andernfalls besteht die Gefahr, dass ChatGPT frei erfundene Komponenten in Eigenregie einfügt.

Des Weiteren stünde die Möglichkeit offen, Kreditaufnahmestrategien unter Annahme unter-schiedlicher Mischvariationen an variabler und fester Verzinsung und Nominalvolumen zu prüfen. Mit Hilfe von historischen Zinssätzen lassen sich auch hier mit R-Studio Wahrscheinlichkeiten ausrechnen, welche der untersuchten Strategien die günstigere sein wird. Auch Zinssätze diverser Laufzeiten lassen sich so auf ihre Schwankungsanfälligkeit statistisch analysieren. Laufzeiten bis zu zehn Jahren reagieren in der Regel stärker auf Krisen oder gar Ereignisse, die nicht von Dauer sind. Die statistische Auswertung einzelner Laufzeiten, beispielsweise mit üblichen Kennzahlen wie Value at Risk oder Standardabweichung innerhalb eines Zeitraums, kann bei der Entscheidung hinsichtlich der Laufzeit sowie des Aufnahmezeitpunkts unter bestimmten ökonomischen Rahmenbedingungen helfen.

Zwischen Wissen und Nichtwissen

Programmierkenntnisse oder mathematisch-statistisches Wissen für komplexe Analysen scheinen nicht mehr notwendig zu sein. Es reicht, lediglich schriftlich sein Vorhaben detailliert genug zu schildern und entsprechende Daten hochzuladen. Zum Teil entspricht es auch tatsächlich der Realität. Entscheidungen können fundierter getroffen und unter Umständen Beraterkosten eingespart werden. Zur Wahrheit gehört aber auch, dass KI fehleranfällig ist, wenn abweichende Perspektiven oder nicht standardisierte Sachverhalte im Vordergrund stehen. Die Mündigkeit nach Immanuel Kant, also die Fähigkeit, eigenständig und ohne fremde Anleitung sich seines Verstandes zu bedienen und zu urteilen, ist auch in Zeiten der KI nicht weniger gefragt. Die Grenze zwischen Wissen und Nichtwissen ist aufgrund der heutigen Informationsflut verzerrter als jemals zuvor. Deshalb sollten KI-Anwendungen nur dann genutzt werden, wenn die Fähigkeit vorhanden ist, Ergebnisse zumindest in Grundzügen eigenständig zu überprüfen und die gleichen Arbeiten auch ohne KI durchzuführen.