KI-Analyse für Immobilien-Steueroptimierung

Das echte Ausmaß des Problems

Immobilienbesitz ist steuerlich eines der komplexesten Gebiete im deutschen Einkommensteuerrecht — und gleichzeitig eines der ertragreichsten für proaktive Gestaltung. Das Problem liegt nicht darin, dass Steuerberaterinnen und Steuerberater das Recht nicht kennen. Es liegt darin, dass die systematische Anwendung auf ein konkretes Portfolio ohne strukturierte Unterstützung enorm zeitaufwendig ist.

Dazu kommt: Steuerrecht ändert sich. Das Wachstumschancengesetz 2024 hat neue Abschreibungsoptionen eingeführt, unter anderem eine degressive Gebäude-AfA von 5 Prozent im ersten Jahr für bestimmte Neubauobjekte. Wer das im Jahresgespräch nicht aktiv anspricht, lässt Mandantengeld liegen.

Konkrete Hebel, die in der Praxis systematisch übersehen werden:

• Kaufpreisaufteilung als AfA-Basis: Die steuerliche Aufteilung des Kaufpreises zwischen Gebäude (abschreibungsfähig) und Grundstück (nicht abschreibungsfähig) entscheidet darüber, wie viel im Jahr absetzbar ist. Das BMF-Tool zur Kaufpreisaufteilung führt bei vielen Immobilien zu ungünstigen Ergebnissen — ein Sachverständigengutachten kann die Aufteilung verbessern und die AfA-Basis um 20–40 Prozent erhöhen. Für eine Wohnung mit Anschaffungskosten von 400.000 Euro bedeutet das 80.000–160.000 Euro mehr Abschreibungsbasis — bei 2 % AfA pro Jahr über Jahrzehnte ein erheblicher Steuerhebel.

• Sonder-AfA und erhöhte Abschreibungen: § 7i (Denkmalschutz), § 7h (Sanierungsgebiete) und die neue degressive AfA gemäß Wachstumschancengesetz 2024 werden nur genutzt, wenn sie aktiv abgeprüft werden. In der Praxis fehlen dafür oft strukturierte Checklisten.

• § 23 EStG Spekulationsfrist: Der genaue Ablauf der 10-Jahres-Frist (Tag des notariellen Kaufvertrags bis zum Tag des Verkaufsvertrags, nicht Übergabe) wird in der Beratung selten objektbezogen getrackt. Zu früh verkauft: persönlicher Steuersatz auf den Gewinn. Zu spät erkannt: die Chance ist weg.

• Haltestruktur GmbH vs. Privatvermögen: Für Objekte mit hoher Mietrendite kann eine vermögensverwaltende Immobilien-GmbH steuerlich günstiger sein als Privatbesitz — 15 % Körperschaftsteuer vs. Spitzensteuersatz bis 42–45 %. Für wertsteigerungsorientierte Anlagen im Privatvermögen gilt nach 10 Jahren hingegen Steuerfreiheit beim Verkauf. Laut einer Modellstudie der Zeitschrift für Immobilienökonomie (2021) hängt das Optimum stark vom individuellen Steuersatz, der Haltedauer und der Renditeerwartung ab — eine generische Empfehlung ist selten richtig.

Das Ergebnis in der Praxis: Viele Immobilienmandanten erhalten solide, aber nicht optimierte Steuerberatung. Die Potenziale existieren — aber der systematische Abgleich aller Objekte gegen das aktuelle Regelwerk übersteigt das, was im normalen Jahresgespräch leistbar ist. Laut einer SWI Finance-Studie im Auftrag des Handelsblatts (2025) nutzen 91,6 Prozent aller Kanzleien mittlerweile KI-Assistent-Tools — allerdings hauptsächlich für Recherchetätigkeiten und Mandantenkommunikation, nicht für systematische Portfolio-Analyse.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte entstammen Erfahrungsberichten aus Steuerkanzleien mit Immobilienschwerpunkt (Haufe, 2025) und eigenen Schätzungen auf Basis der typischen Regelwerkskomplexität. Die tatsächlichen Einsparungen hängen stark vom individuellen Mandat ab.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die KI-gestützte Portfolio-Analyse spart pro Mandant und Jahr 1–2 Stunden gegenüber manueller Recherche — real, aber nicht der größte Zeitgewinn in dieser Kategorie. Der Grund: Immobilien-Steueroptimierung ist kein rein repetitiver Prozess. Jede Immobilie hat individuelle Eigenschaften (Baujahr, Zustand, Nutzungsart, Kaufpreisaufteilung), die eine manuelle Bewertung erfordern. KI beschleunigt die systematische Aufbereitung — aber nicht die fachliche Entscheidung. Die Belegverarbeitung oder DATEV-Datenvorbereitung sparen pro Mandat mehr Zeit, weil dort echte Routinevorgänge automatisierbar sind.

Kosteneinsparung — hoch (4/5) Das Steueroptimierungspotenzial ist erheblich: Bei einem Portfolio mit 5–10 Immobilien kann eine verbesserte Kaufpreisaufteilung, eine genutzte Sonder-AfA nach § 7i oder eine rechtzeitig erkannte Spekulationsfrist konkret 5.000–30.000 Euro Steuerersparnis bedeuten — pro Jahr und Mandant. Das ist deutlich mehr als bei Effizienzgewinnen durch Prozessautomatisierung. Der Unterschied zu einer 5/5-Bewertung: Die Opportunität muss erst gefunden werden — nicht jeder Mandant hat ungenutzte Hebel in diesem Ausmaß.

Schnelle Umsetzung — mittel (3/5) Die Prompt-Checklisten für Immobilien-Steueroptimierung lassen sich in 1–2 Wochen aufbauen. Aber: Bevor das System sinnvoll arbeiten kann, muss die Datenbasis stimmen — Kaufverträge, Kaufpreisaufteilungen, Renovierungshistorien und Baujahre aller Objekte müssen strukturiert vorliegen. Das ist bei vielen Mandanten mehrere Wochen Vorarbeit. Wer sofort einsteigen will, kann mit 2–3 Pilotmandaten beginnen, für die die Datenbasis vollständig ist.

ROI-Sicherheit — hoch (4/5) Anders als bei der interne Wissensdatenbank ist das ROI der Immobilien-Steueroptimierung konkret berechenbar: Mehr AfA-Basis mal aktuellem Steuersatz gleich jährliche Steuerersparnis. Eine verbesserte Kaufpreisaufteilung bei einer 500.000-Euro-Wohnung (z. B. Gebäudeanteil von 60 % auf 75 % erhöht) ergibt 75.000 Euro zusätzliche AfA-Basis — bei 2 % jährlich und 42 % Steuersatz sind das dauerhaft 630 Euro mehr Steuerersparnis pro Jahr. Das lässt sich dem Mandanten konkret kommunizieren. Die Einschränkung: Ein solches Potenzial muss erst identifiziert werden — nicht bei jedem Mandanten ist es so hoch.

Skalierbarkeit — mittel (3/5) Mit wachsendem Immobilienportfolio wächst auch das Potenzial für KI-gestützte Analyse — mehr Objekte, mehr Optimierungshebel, mehr Mandanten. Aber es gibt keine lineare Automatisierung: Jede neue Immobilie erfordert manuelle Dateneingabe und fachliche Einschätzung. Das System skaliert besser als manuelle Recherche, aber nicht wie ein vollautomatischer Prozess.

Richtwerte — stark abhängig von Portfoliogröße, Immobilientypen und vorhandener Datenbasis des Mandanten.

Was das System konkret macht

KI übernimmt hier keine Steuerberatung — sie macht die Steuerberaterin effizienter und systematischer. Das Grundprinzip: Du fütterst ein LLM wie Claude oder ChatGPT mit einer strukturierten Checkliste und den Eckdaten des Immobilienportfolios — das System prüft systematisch, welche Optimierungshebel auf welches Objekt anwendbar sind, und produziert eine priorisierte Liste mit konkreten Handlungsempfehlungen und den rechtlichen Grundlagen dazu.

Der Workflow in drei Schritten:

1. Datenbasis aufbauen Pro Objekt werden folgende Daten in ein strukturiertes Format (Excel oder einfache Tabelle) eingetragen: Kaufdatum, Kaufpreis, Kaufpreisaufteilung (Gebäude/Grund), Baujahr, Nutzungsart (Eigennutzung, Vermietung, gemischt), eventuelle Renovierungen mit Kosten und Jahr, Denkmalschutzstatus, Lage (Sanierungsgebiet ja/nein). Das dauert bei 7 Objekten je nach Datenlage 2–4 Stunden — einmalig.

2. Systematische Analyse per Prompt Die strukturierte Übersicht und eine vordefinierte Checkliste gehen an das LLM. Das System prüft für jedes Objekt: Ist die Kaufpreisaufteilung optimierungswürdig? Gibt es Anspruch auf Sonder-AfA? Wann läuft § 23 EStG ab? Macht eine GmbH-Struktur bei diesem Objekt Sinn? Die Antworten enthalten immer den rechtlichen Anker (§, BMF-Schreiben-Datum, etc.).

3. Ergebnis prüfen und kommunizieren Die Steuerberaterin prüft die KI-Vorschläge fachlich und gewichtet sie. NotebookLM kann die aktuellen BMF-Schreiben und Urteilstexte als Quelldokumente einlesen und konkrete Textstellen als Fundstelle zurückgeben. Das Ergebnis geht als strukturiertes Beratungsprotokoll an den Mandanten.

Was die KI nicht kann: Sie gibt keine verbindlichen Steueraussagen. Sie halluziniert gelegentlich § -Nummern oder BMF-Schreiben-Daten. Das ist der wichtigste Grund, warum jede KI-generierte Empfehlung fachlich gegengeprüft werden muss — insbesondere wenn sie als Grundlage für Veranlagungsanträge oder Einspruchsverfahren verwendet wird.

Die Kaufpreisaufteilung als zentraler Optimierungshebel

Dieser Punkt verdient eine gesonderte Behandlung, weil er in der Praxis systematisch unterschätzt wird und von keiner anderen Optimierungsstrategie ersetzt werden kann.

Beim Kauf einer Immobilie darf nur der auf das Gebäude entfallende Kaufpreisanteil abgeschrieben werden — der Grundstücksanteil ist nicht abschreibungsfähig. Die Finanzämter verwenden standardmäßig das BMF-Tool zur Kaufpreisaufteilung (öffentlich verfügbar), das rechnerisch zu einer oft ungünstigen Aufteilung führt — in Hochpreislagen wie München oder Hamburg kann das Grundstück rechnerisch 60–80 % des Kaufpreises ausmachen, obwohl das wirtschaftlich nicht der Realität entspricht.

Ein Sachverständigengutachten zur Kaufpreisaufteilung kann diese Aufteilung anfechten — und das BFH hat in mehreren Urteilen (zuletzt BFH IX R 26/19) bestätigt, dass ein schlüssiges Gutachten dem BMF-Tool vorgeht, sofern es die tatsächlichen Wertverhältnisse besser widerspiegelt.

Konkret: Bei einer Wohnung in München für 600.000 Euro, bei der das BMF-Tool 70 % Grundstücksanteil ergibt (= AfA-Basis 180.000 €), könnte ein Gutachten zu 55 % Grundstücksanteil (= AfA-Basis 270.000 €) kommen. Differenz: 90.000 Euro mehr Abschreibungsbasis. Bei 2 % AfA und 42 % Steuersatz sind das dauerhaft 756 Euro mehr Steuerersparnis pro Jahr. Das Gutachten kostet 800–2.000 Euro — amortisiert sich also im ersten Jahr.

KI kann bei diesem Prozess helfen, indem sie:

• die vorliegenden Kaufpreisaufteilung-Ergebnisse systematisch prüft
• Objekte identifiziert, bei denen eine Neubewertung besonders vielversprechend ist (Hochpreislage, Baujahr vor 1975, städtische Toplagen)
• die relevante BFH-Rechtsprechung zusammenfasst und für die Mandantenkommunikation aufbereitet

Diese Analyse lässt sich nicht vollautomatisieren — aber sie lässt sich von 45 Minuten je Objekt auf 10–15 Minuten reduzieren.

§ 23 EStG und Spekulationsfrist: Die kritische Zeitachse

Die 10-Jahres-Frist nach § 23 EStG ist binär: Vor ihrem Ablauf unterliegen Veräußerungsgewinne dem vollen persönlichen Einkommensteuersatz (bis 45 %). Danach: steuerfrei. Kein gleitender Übergang.

Für Kanzleien bedeutet das: Jedes Objekt im Mandantenportfolio hat ein konkretes Datum, ab dem ein Verkauf steuerfrei wäre. Dieses Datum muss laufend getrackt werden — und es muss frühzeitig, mindestens 12–18 Monate vorher, in die Beratung einfließen.

Der häufigste Fehler: Die Frist wird nicht als Datum, sondern als “ungefähr 10 Jahre nach Kauf” im Kopf behalten. Das ist zu unscharf. Der relevante Zeitpunkt ist Tag des notariellen Kaufvertrags bis Tag des notariellen Verkaufsvertrags — nicht Übergabe, nicht Nutzen-Lasten-Wechsel. Wer das bei einem Objekt um drei Monate falsch einschätzt, hat im schlimmsten Fall 50.000–150.000 Euro Steuer ausgelöst, die sich mit exakter Planung hätten vermeiden lassen.

Wichtige Ausnahmen, die die KI-gestützte Analyse aktiv prüfen muss:

• Eigennutzung-Ausnahme: Objekte, die im Veräußerungsjahr und den zwei vorangegangenen Kalenderjahren zu eigenen Wohnzwecken genutzt wurden, unterliegen nicht der Spekulationsteuer — unabhängig von der Haltedauer.
• Scheidung/Erbschaft: Unentgeltliche Erwerbe übernehmen die Anschaffungsdaten des Vorbesitzers — die Frist läuft ab dem ursprünglichen Kaufdatum.

Julius AI kann diese Fristen aus einer Portfolio-Tabelle automatisch berechnen und nach “nächsten Fristabläufen” sortiert ausgeben — als frühzeitiger Hinweis für die Beratungsplanung.

Konkrete Werkzeuge — was wann passt

ChatGPT (ab 20 USD/Monat) oder Claude (ab 20 USD/Monat) — für die strukturierte Portfolio-Analyse Der Einstieg für die meisten Kanzleien. Du übergibst die strukturierte Portfolio-Übersicht und eine vordefinierte Checkliste — das Sprachmodell prüft systematisch und gibt priorisierte Handlungsempfehlungen zurück. Einschränkung: Beide Modelle haben einen Wissensstand bis zu einem bestimmten Datum und kennen aktuelle BMF-Schreiben nur wenn du sie explizit als Text einbringst. Für die Grundlogik (§ 23 EStG, AfA-Systematik, GmbH-Vergleich) reichen sie aus; für aktuelle Rechtsprechung immer gegen eine Fachdatenbank gegenprüfen.

Haufe CoPilot Tax (ca. 989 €/Jahr für 3 Nutzer) — für fachlich abgesicherte Recherche Für Kanzleien, die bereits die Haufe-Fachdatenbank nutzen, ist der CoPilot Tax ein sinnvoller Einstieg in KI-gestützte Steuerrecherche. Er gibt Antworten mit direktem Verweis auf Haufe-Kommentare und BMF-Schreiben — was die manuelle Verifikation erheblich beschleunigt. Für Standardfälle der Immobilienbesteuerung gut geeignet; für Sondersachverhalte wie § 7i Denkmalschutz empfiehlt sich Gegenlesen in der juris-Datenbank.

NotebookLM (kostenlos / ab 9,99 €/Monat Plus) — für dokumentenbasierte Quellenprüfung Besonders nützlich, wenn du BMF-Schreiben, aktuelle BFH-Urteile oder die Rohentwürfe zu Wachstumschancengesetz als PDFs hochlädst und dann konkrete Fragen dazu stellst. NotebookLM gibt Antworten mit exaktem Quellenabschnitt zurück — das beschleunigt die Verifikation und schützt vor Halluzinationen. Datenhaltung in den USA: für die Nutzung von allgemeinen Gesetzestexten kein Problem, für Mandantendaten einen AVV beachten.

Julius AI (kostenlos / ab 20 USD/Monat) — für Spekulationsfrist-Tracking und Szenariorechnung Upload der Portfolio-Tabelle als CSV oder Excel → Julius rechnet automatisch die Spekulationsfrist-Enddaten, sortiert nach nächstem Ablauf und kann einfache Szenarien durchrechnen (z. B. “Was ist der Steuerunterschied, wenn Objekt A in 2025 vs. 2026 verkauft wird?”). Keine Programmierkenntnisse nötig. Datenhaltung in den USA — keine personenbezogenen Mandantendaten ohne AVV einpflegen.

DATEV (Kanzleilizenz) — als Datenbasis, nicht als Analysetool DATEV liefert die buchhalterische Grundlage (Einkünfte aus Vermietung und Verpachtung, Abschreibungsübersichten) und ermöglicht die ELSTER-Übermittlung. Die eigentliche Portfolio-Analyse findet außerhalb von DATEV statt — die KI-Funktionen in DATEV sind (Stand April 2026) noch nicht auf das Niveau der oben genannten allgemeinen LLMs ausgebaut.

juris KI-Suite (ab ca. 150 €/Monat) — für komplexe Sondersachverhalte Bei Fragen zu Sanierungsgebieten (§ 7h), Denkmalschutz (§ 7i) oder aktueller BFH-Rechtsprechung zur Kaufpreisaufteilung ist juris die zuverlässigste Quelle für zitierfähige Ergebnisse. Teurer als ChatGPT, aber bei hochkomplexen Mandaten die sicherere Wahl für die Quellenprüfung.

Zusammenfassung: Wann welcher Ansatz

• Einstieg, Budget unter 50 €/Monat → ChatGPT oder Claude + NotebookLM
• Haufe-Abo vorhanden → Haufe CoPilot Tax als Ergänzung
• Portfolio-Tabelle analysieren, Fristen rechnen → Julius AI
• Aktuelle BFH-Urteile sicher zitieren → juris KI-Suite
• Buchhalterische Datenbasis, ELSTER → DATEV

Datenschutz und Datenhaltung

Immobilienmandanten-Daten sind besonders sensibel: Sie enthalten Kaufpreise, Einkommensdaten, Eigentümerstrukturen und — bei der GmbH-Frage — Gesellschafterstrukturen und persönliche Vermögensverhältnisse. Die DSGVO gilt hier vollumfänglich. Zusätzlich greift das steuerrechtliche Berufsgeheimnis nach § 57 StBerG, das Steuerberater zur Verschwiegenheit über Mandantendaten verpflichtet.

Konkret für die Toolauswahl:

• ChatGPT und Claude: Für US-gehostete Tools ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO erforderlich, sobald personenbezogene Daten verarbeitet werden. ChatGPT Enterprise und Claude for Business stellen AVVs bereit. Die kostengünstigen Consumer-Tarife (ChatGPT Plus, Claude Pro) reichen datenschutzrechtlich für Mandantendaten nicht aus — hier fehlt der AVV.

• Praktischer Workaround: Anonymisiere die Portfoliodaten vor dem LLM-Upload: “Objekt A: München, Baujahr 1978, Kaufpreis 450.000 €, Kaufdatum 15.03.2009” — ohne Mandantenname und Steuer-ID. Das reduziert das Datenschutzrisiko erheblich und ermöglicht die Nutzung von Consumer-Plänen für die Analyse.

• NotebookLM: Für allgemeine Gesetzestexte und BMF-Schreiben unproblematisch. Bei mandantenspezifischen Dokumenten (z. B. Kaufverträge mit Personendaten): nur mit AVV oder entsprechend anonymisiert.

• Julius AI: US-Hosting ohne EU-AVV im Standardplan — keine Mandantendaten ohne Anonymisierung verwenden.

• DATEV und juris KI-Suite: Beide bieten deutsches bzw. EU-Hosting und DSGVO-konforme Verarbeitung — für Kanzleien die sichere Wahl für nicht-anonymisierte Mandantendaten.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Datenbasis strukturieren (Portfolio-Tabelle für alle Mandanten): 1–2 Wochen interne Arbeit, je nach Kanzleigröße
• Prompt-Checklisten entwickeln und testen: 3–5 Tage, kann intern oder mit externer Unterstützung erfolgen
• Externe Beratung oder Workshop: 1.000–3.000 Euro, wenn ihr die Prompt-Bibliothek von Grund auf aufbauen lassen wollt

Laufende Kosten (monatlich)

• ChatGPT oder Claude (Pro): 20–25 €/Monat je Person
• Haufe CoPilot Tax: ca. 82 €/Monat (989 €/Jahr für 3 Nutzer)
• NotebookLM Plus: 9,99 €/Monat
• Julius AI Plus: 20 USD/Monat
• Gesamtkosten für eine Person, vollständiges Setup: 50–130 €/Monat

Gegenrechnung Ein Mandant mit 6 Immobilien, bei dem eine verbesserte Kaufpreisaufteilung (Gutachten: 1.500 €) die AfA-Basis um 100.000 € erhöht: Bei 2 % AfA und 42 % Steuersatz sind das 840 € Steuerersparnis pro Jahr — dauerhaft. Nach 2 Jahren hat der Mandant die Gutachtenkosten herein, danach ist es reiner Gewinn. Das Honorar für die Beratungsstunde, die diese Optimierung identifiziert hat, ist das Einfache der Toolkosten.

Für die Kanzlei: Wenn pro Immobilienmandant im Schnitt 1 Stunde Beratungszeit eingespart wird und die Stunde mit 200 Euro berechnet wird — bei 20 Immobilienmandanten sind das 4.000 Euro eingesparte Stunden oder 4.000 Euro zusätzlicher Kapazitätspuffer pro Jahr.

Typische Einstiegsfehler

1. Mit dem gesamten Mandantenportfolio auf einmal starten Der Reflex: Alle Immobilienmandanten gleichzeitig analysieren, damit der Nutzen sofort sichtbar ist. In der Praxis: Die Datenbasis ist bei der Hälfte der Mandanten unvollständig, die Kaufpreisaufteilungen fehlen oder sind jahrzehntealte Handnotizen. Das Ergebnis ist ein KI-System, das frustrierend viele “keine ausreichenden Daten”-Antworten liefert. Besser: 2–3 Mandanten mit vollständiger Datenlage als Pilot wählen, Prozess verfeinern, dann skalieren.

2. KI-Empfehlungen ohne Verifikation in Beratungsdokumente übernehmen Das ist der haftungsrelevanteste Fehler. KI-Modelle halluzinieren — auch fachlich plausible Details wie § -Nummern, BMF-Schreiben-Daten oder BFH-Aktenzeichen. Florian Fischer, Steuerberater und KI-Tester, hat in einem Praxistest (dokumentiert in Haufe, 2025) dokumentiert, dass identische Fragen in verschiedenen KI-Tools gegenteilige Antworten geliefert haben. Das Vier-Augen-Prinzip ist Pflicht: Jede KI-Empfehlung wird mit einer Primärquelle (DATEV-Lexikon, juris KI-Suite, Haufe CoPilot Tax) gegengeprüft, bevor sie in ein Mandantengespräch einfließt.

3. Die Datenerhebung beim Mandanten unterschätzen Für eine sinnvolle Immobilien-Portfolio-Analyse braucht ihr bei jedem Objekt: den Kaufvertrag (mit Aufteilungsvereinbarung), die Aufstellung der aktivierten Renovierungskosten, eventuelle Gutachten, Nutzungshistorie (Eigennutzung, Vermietung, Leerstand). Viele Mandanten haben das nicht geordnet parat — oder haben Objekte, die sie geerbt haben, mit unklarer Anschaffungsdaten-Basis. Dieser Datenerhebungsaufwand ist die eigentliche Investition, nicht das KI-Tool.

4. Den Wartungsaufwand ignorieren Steuerrecht ändert sich — manchmal jährlich. Neue AfA-Sätze durch das Wachstumschancengesetz, geänderte Rechtsprechung zur Kaufpreisaufteilung, neue Grunderwerbsteuer-Regelungen in einzelnen Bundesländern. Die Prompt-Checkliste, die heute stimmt, kann in 12 Monaten unvollständig sein. Wer das System einrichtet, muss festlegen, wer jährlich die Checkliste gegen aktuelle Rechtsentwicklungen überprüft — das ist keine IT-Aufgabe, sondern eine fachliche.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist handhabbar. Komplizierter ist die Frage: Wer in der Kanzlei übernimmt diesen neuen strukturierten Analyse-Workflow?

Das Rollenmuster, das sich in der Praxis bewährt: Eine Person in der Kanzlei — oft ein erfahrener Steuerfachangestellter oder ein Junior-Steuerberater — baut die Datenbasis auf, pflegt die Prompt-Checklisten und führt die Erstanalyse durch. Die Steuerberaterin oder der Steuerberater prüft die Ergebnisse und führt das Mandantengespräch. Das ist keine KI-Demokratisierung — es ist eine sinnvolle Arbeitsteilung.

Was nicht passiert: Das System erledigt nicht das Mandantengespräch. Es erstellt keine fertigen Bescheide. Es entscheidet nicht, ob ein Gutachten zur Kaufpreisaufteilung wirtschaftlich sinnvoll ist. Und es erkennt keine Sondersachverhalte, die nicht in der Checkliste stehen. Das klingt banal — aber die Erwartung, dass KI die Beratungstiefe ersetzt, führt regelmäßig zu Enttäuschung.

Typisches Widerstandsmuster: Senior-Berater, die ihren Workflow seit Jahren kennen, reagieren skeptisch auf die Idee, ihre Portfolioanalyse in ein KI-Tool zu geben. Das ist berechtigt — besonders wenn das Tool die erste Woche Fehler macht (falsche § -Verweise, überalterte Abschreibungssätze). Wichtig: Mit offener Kommunikation starten. “Das Tool prüft, ob wir etwas übersehen haben — die fachliche Entscheidung liegt immer bei dir.” Das ist ehrlich und nimmt den defensiven Reflex.

Was konkret hilft:

• Zwei Pilotmandanten wählen, bei denen der Berater selbst neugierig ist, ob KI Neues findet
• Ergebnisse transparent machen: Was hat das System gefunden, was war schon bekannt, was war neu?
• Einen Evaluationszeitraum von 90 Tagen definieren — erst dann wird das Urteil gefällt

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI kann keine Steuerberatung machen.” Richtig — und das ist auch nicht der Ansatz. KI macht hier keine Steuerberatung, sie macht das, was ein sehr gründlicher Assistent machen würde: systematisch eine Checkliste abarbeiten und auf Optimierungspotenziale hinweisen. Die Steuerberaterin oder der Steuerberater entscheidet, was davon relevant ist, und trägt die fachliche Verantwortung. Das ist dasselbe Modell wie ein Mandantenassistent, der die Vorrecherche macht — nur schneller und konsistenter.

„Was, wenn die KI Fehler macht und ich das nicht merke?” Das ist der richtige Einwand — und der Grund, warum das Vier-Augen-Prinzip unverzichtbar ist. KI-Systeme halluzinieren, besonders bei spezifischen § -Verweisen und BMF-Schreiben-Daten. Die Lösung ist nicht, KI nicht zu nutzen — es ist, den Verifikationsschritt fest in den Workflow einzubauen: Jede KI-Empfehlung wird mit einer Primärquelle bestätigt, bevor sie in die Beratung einfließt. Das kostet 5–10 Minuten pro Empfehlung — aber der Ausgangspunkt ist trotzdem schneller als vollständige Manualrecherche.

„Unsere Mandanten haben zu wenig Immobilien, das lohnt sich nicht.” Für einen Mandanten mit 1–2 Immobilien stimmt das wahrscheinlich — der Einrichtungsaufwand überwiegt. Der Return entsteht, wenn 15–25 Immobilienmandanten regelmäßig mit derselben Struktur analysiert werden. Ab diesem Punkt amortisiert sich der Aufwand für die Datenbasis und die Prompt-Checklisten. Wenn du weniger Immobilienmandanten hast, macht ein fokussierter Ansatz mehr Sinn: einzelne, besonders komplexe Mandate manuell analysieren, statt ein System aufzubauen.

Woran du merkst, dass das zu dir passt

• Du hast 15 oder mehr Immobilienmandanten, bei denen jährliche Steuerplanung zum Standard gehört
• Die Portfolio-Analyse dauert heute 3–5 Stunden je Mandat — und du weißt, dass du nicht alle Hebel systematisch prüfst
• Du hast Mandanten mit Portfolios über 5 Immobilien, bei denen die Kaufpreisaufteilung nie aktiv überprüft wurde
• Spekulationsfrist-Tracking passiert bei dir reaktiv (Mandant fragt, du prüfst) — nicht proaktiv als fortlaufender Planungshinweis
• Du berätst zu GmbH-Strukturen, aber der Vergleich GmbH vs. Privat wird selten für alle Objekte eines Mandanten systematisch durchgerechnet

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 10 Immobilienmandanten in der Kanzlei. Der Aufbau einer strukturierten Datenbasis und einer Prompt-Bibliothek lohnt sich nicht, wenn die Zahl der Mandate klein ist. Einzelne komplexe Mandate können auch ohne KI-Workflow bearbeitet werden — die Tools amortisieren sich erst in der Breite.

2. Keine vollständige Datenbasis vorhanden (Kaufverträge, Kaufpreisaufteilungen, Renovierungshistorie). KI kann nur analysieren, was ihr habt. Wenn die Grundlagen nicht strukturiert vorliegen, ist der erste Schritt die Datenerhebung — nicht das KI-Tool. Ein Prompt-System, das mit “Kaufdatum unbekannt, Kaufpreis unbekannt, Kaufpreisaufteilung unbekannt” arbeitet, produziert keine verwertbaren Ergebnisse.

3. Keine fachliche Verifikation der KI-Ergebnisse geplant. Wer KI-Empfehlungen zur Steuergestaltung ohne Gegenlesen in Fachdatenbanken in die Mandantenberatung gibt, haftet für die Fehler. Das ist keine Hypothese — es ist das geltende Berufsrecht. Wenn die Kanzlei nicht die Kapazität hat, jeden KI-generierten Hinweis mit einer Primärquelle zu belegen, sollte der Workflow nicht eingeführt werden, bevor diese Kapazität besteht.

Das kannst du heute noch tun

Nimm einen Immobilienmandanten, dessen Portfolio du gut kennst — idealerweise mit 4–6 Objekten. Trage in eine einfache Tabelle ein: Objekt-ID, Standort, Kaufdatum, Kaufpreis gesamt, Kaufpreis Gebäude (aus Kaufvertrag), Baujahr, Nutzungsart (Vermietung/Eigennutzung), eventuelle bekannte Besonderheiten (Denkmalschutz, Sanierungsgebiet).

Dann öffne ChatGPT oder Claude und übergib diesem System-Prompt zusammen mit deiner Tabelle:

Quellen & Methodik

• SWI Finance Studie 2025 (im Auftrag Handelsblatt): 91,6 % der Steuerkanzleien nutzen KI — hauptsächlich für Recherche und Kommunikation; zitiert in: Haufe Steuer-Taxulting, „2025: Der Beginn der KI-Ära in der Steuerberatung” (haufe.de, Januar 2025).
• Florian Fischer, Steuerberater: Dokumentierter Praxistest: identische Prompts lieferten in verschiedenen KI-Tools gegenteilige Antworten zu Steuerfragen; zitiert in: Haufe Steuer-Taxulting (2025). Bestätigt das Risiko ungeprüfter KI-Ausgaben in der Steuerberatung.
• KPMG Deutschland, Dezember 2023: „Steuertipp: Die Immobilien-GmbH als Alternative zum Privatkauf” — strukturierter Vergleich GmbH vs. Privatvermögen; kpmg.com/de, Dezember 2023.
• Zeitschrift für Immobilienökonomie 2021: Modelltheoretischer Vergleich Immobilienbesteuerung Privatvermögen vs. vermögensverwaltende Kapitalgesellschaft; Springer, DOI: 10.1365/s41056-021-00055-7 — Fazit: Optimum stark abhängig von individuellem Steuersatz, Haltedauer, Renditeerwartung.
• BFH-Urteil IX R 26/19: Bestätigt Vorrang eines schlüssigen Sachverständigengutachtens gegenüber dem BMF-Tool zur Kaufpreisaufteilung, sofern es die tatsächlichen Wertverhältnisse besser widerspiegelt.
• Wachstumschancengesetz 2024: Einführung degressive Gebäude-AfA von 5 % für Gebäude, die ab dem 01.01.2023 fertiggestellt werden (§ 7 Abs. 5a EStG neu); BGBl. I 2024 Nr. 108.
• Haufe Steuer-Taxulting, 2025: Praxisberichte Life GmbH Steuerberatungsgesellschaft, TAXABL Steuerberatungsgesellschaft und F&S Steuerberatung zu KI-Erfahrungen in der Kanzleipraxis.
• Preisangaben Tools: Veröffentlichte Tarife der jeweiligen Anbieter (Stand April 2026). ChatGPT Plus/Pro: openai.com. Claude: claude.ai. Haufe CoPilot Tax: haufe.de. NotebookLM: notebooklm.google.com.

Du möchtest wissen, welche eurer Immobilienmandanten das größte Optimierungspotenzial haben — und wie ihr den Workflow konkret einrichten könnt? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.