---
title: Studie: Einfache Modelle schlagen komplexe KI bei der Einkommensprognose für Selbstständige
url: https://www.elseif.net/de/studie-einfache-modelle-schlagen-komplexe-ki-bei-der-einkommensprognose-fur-selbststandige
published: 2026-11-02T08:05:14+00:00
language: de
section: Modelle
source: https://www.computing.es/inteligencia-artificial/son-fiables-las-predicciones-financieras-para-los-autonomos-de-los-modelos-de-ia-mas-avanzados/
organizations: Declarando, Amazon, Generalitat Valenciana, Universitat Jaume I, Universidad Autónoma de Ciudad Juárez
publisher: elseif
---

# Studie: Einfache Modelle schlagen komplexe KI bei der Einkommensprognose für Selbstständige

Eine neue Studie zeigt, dass die komplexesten Modelle der künstlichen Intelligenz nicht immer die zuverlässigsten finanziellen und steuerlichen Prognosen für Selbstständige liefern. Die Analyse vergleicht verschiedene statistische Ansätze mit hochentwickelten neuronalen Architekturen und stellt fest, dass einfachere Kombinationen von Algorithmen oft stabilere Ergebnisse erzielen als die neuesten Transformer-Modelle.

Die Untersuchung wurde in der Fachzeitschrift International Journal of Computational Intelligence Systems veröffentlicht. Sie basiert auf realen Daten von 395 Selbstständigen und wurde von Luis Palomero, Vicente García und J. Salvador Sánchez durchgeführt. Das Projekt wurde teilweise von der Generalitat Valenciana und dem Unternehmen Declarando finanziert. Palomero ist Doktor der Informatik und leitet den Bereich Künstliche Intelligenz und Datenwissenschaft bei Declarando. Er forscht zudem am Institute of New Imaging Technologies der Universitat Jaume I. J. Salvador Sánchez gehört ebenfalls dieser Universität an, während Vicente García an der Universidad Autónoma de Ciudad Juárez forscht.

Im Zentrum der Arbeit steht der Vergleich von drei verschiedenen Prognosewerkzeugen. Die Forscher testeten eine einfache gleitende Durchschnittsmethode, Ensemble-Modelle, die die Schätzungen verschiedener Algorithmen kombinieren, sowie zwei Versionen des Amazon Chronos-T5-Modells. Letztere nutzen Transformer-Architekturen, die auf derselben Technologie basieren wie große Sprachmodelle und in der Lage sind, Datenreihen zu analysieren und Vorhersagen zu generieren.

Die Ergebnisse zeigen, dass die Ensemble-Modelle ein stabileres, konsistenteres und weniger verzerrtes Verhalten aufweisen als die getesteten Transformer-Modelle. Die Autoren warnen davor, dass eine höhere technologische Komplexität nicht automatisch zu einer höheren Zuverlässigkeit führt. Sie betonen die Notwendigkeit, das gewählte Modell an die spezifischen Merkmale des Problems sowie an die Menge und Qualität der verfügbaren Daten anzupassen.

Ein zentraler Aspekt der Studie ist die Differenz zwischen den auf Basis der Prognosen gezahlten Sozialversicherungsbeiträgen und den tatsächlich geschuldeten Beträgen nach Abschluss des Geschäftsjahres. Eine falsche Schätzung kann zu einer nachträglichen Nachzahlung und damit zu unerwarteten Ausgaben führen. Bei dieser Kennzahl lagen einige Ensemble-Modelle nahezu im Gleichgewicht, mit Abweichungen von weniger als einem Euro. Die Amazon-Modelle wiesen dagegen konstante Abweichungen von etwa 50 Euro auf.

Im konkreten Fall von Declarando zeigte sich, dass dessen Methode die Beiträge genauer vorhersagen konnte, selbst in Extremfällen wie bei Fachleuten, die ihr Einkommen verdoppeln. Bei Verwendung des Amazon-Modells würde ein Selbstständiger in diesem Szenario fast 200 Euro zu viel vorstrecken, da der Beitrag von 376,04 Euro auf 562,83 Euro steigen würde. Dies entspricht in der Praxis der Zahlung eines zusätzlichen Monatsbeitrags an die Sozialversicherung. Diese Abweichungen sind jedoch gering im Vergleich zu den Fehlern, die entstehen, wenn gar keine Methode zur Prognose verwendet wird, was zu Lücken von mehreren Tausend Euro führen kann.

Die Autoren fassen zusammen, dass es nicht darum geht, zwischen künstlicher Intelligenz und traditionellen Modellen zu wählen, sondern die Technologie zu identifizieren, die für jedes konkrete Problem am besten geeignet ist. Die Forschung ist Teil einer Arbeitslinie zur finanziellen Prognose für Selbstständige, bei der Declarando reale Daten und Fachwissen über steuerliche Bedürfnisse beisteuert. Die Studie verbindet akademische Forschung mit unternehmerischer Erfahrung und unterstreicht die Bedeutung der empirischen Validierung jeder Technologie, bevor sie für Entscheidungen mit direkten wirtschaftlichen Folgen eingesetzt wird.