Wenn Maschinen entscheiden, wer eine juristische Person ist – GLEIFs KI-gestützte Duplikatserkennung im Global LEI System zeigt, wie algorithmische Verfahren zu einer stillen, aber folgenreichen Infrastrukturschicht der Identitätsökonomie werden.
Es gibt Fragen, die banal klingen und doch das Fundament ganzer Ordnungssysteme bilden. Eine davon lautet: Ist dieses Unternehmen dasselbe wie jenes? Für Menschen, die sich in einer Geschäftsbeziehung begegnen, mag die Antwort selbstverständlich erscheinen. Für global vernetzte Finanz- und Compliance-Systeme, in denen Millionen von Entitäten unter wechselnden Namen, Adressen und Rechtsformen registriert sind, ist sie es nicht. Genau an dieser Stelle setzt der Legal Entity Identifier (LEI) an – und genau an dieser Stelle beginnt nun auch der Einzug künstlicher Intelligenz in eine Infrastruktur, die bislang eher auf Formalisierung als auf Lernfähigkeit ausgelegt war.
Ein aktueller Beitrag auf Finextra beschreibt, wie die Global Legal Entity Identifier Foundation (GLEIF) ihre “Check for Duplicates”-Funktion um KI-gestützte Verfahren erweitert. Bislang stützte sich die Duplikatserkennung im Wesentlichen auf unscharfen Namensabgleich (Fuzzy Matching) – ein robustes, aber grobes Instrument. Neu hinzu kommen Verfahren, die Referenzdaten in Vektorrepräsentationen überführen und so semantische statt rein lexikalische Ähnlichkeiten erkennen. Registrierungsbehörden, Registrierungskennungen und LEI-Codes selbst werden zusätzlich abgeglichen, bevor ein neuer LEI überhaupt veröffentlicht wird. Der Effekt: Potenzielle Doppelregistrierungen sollen früher, präziser und über die Grenzen einzelner LEI-Vergabestellen hinweg erkannt werden – auch dann, wenn dieselbe Entität bei mehreren Issuern parallel einen Antrag stellt.
Auf den ersten Blick ist das eine technische Fußnote im Betrieb einer globalen Registrierungsinfrastruktur. Bei näherer Betrachtung ist es mehr: ein Beispiel dafür, wie algorithmische Mustererkennung zunehmend dort Einzug hält, wo bislang formale Regeln und menschliche Prüfprozesse die Deutungshoheit hatten. Das Global LEI System lebt von Vertrauen – Vertrauen darin, dass ein LEI eindeutig einer und nur einer juristischen Person zugeordnet ist. Schon geringe Fehlerquoten untergraben diese Grundfunktion, weshalb GLEIF selbst betont, dass Duplikate aktuell unter 0,2 Prozent aller Datensätze liegen. Dass ausgerechnet an dieser sensiblen Stelle nun KI-Verfahren zum Einsatz kommen, ist bemerkenswert: Es handelt sich nicht um eine Effizienzmaßnahme im Hintergrund, sondern um eine Verschiebung der epistemischen Basis, auf der institutionelle Identität festgestellt wird.
Für die Identitätsökonomie im weiteren Sinne ist das von Interesse, weil sich hier ein Muster wiederholt, das auch bei natürlichen Personen und bei Maschinenidentitäten zu beobachten ist: Identifikation wird nicht mehr allein über feste Attribute (Name, Adresse, Registrierungsnummer) hergestellt, sondern über die statistische Nähe von Datenrepräsentationen. Ein Unternehmen “ist” zunehmend das, was ein Vektorraum als hinreichend ähnlich zu einem bereits bekannten Datensatz erkennt. Das ist praktisch – und es ist zugleich eine Verlagerung von Verantwortung. Wo früher ein Sachbearbeiter eine Übereinstimmung begründen musste, entscheidet nun ein Modell über Wahrscheinlichkeiten, deren Nachvollziehbarkeit im Einzelfall begrenzt bleibt.
Ob sich daraus eine grundsätzliche Neuordnung der Entity-Identification-Praxis ergibt oder ob es bei einer punktuellen Effizienzsteigerung innerhalb eines bewährten Systems bleibt, lässt sich gegenwärtig nur vorläufig einschätzen. Der GLEIF-Fall liefert jedoch ein instruktives Beispiel dafür, wie institutionelle Identitätsinfrastrukturen – ähnlich wie bei natürlichen Personen im Kontext von eIDAS und der EUDI-Wallet – schrittweise algorithmisiert werden, ohne dass die zugrunde liegenden Vertrauensfragen bereits abschließend geklärt wären.
Ralf Keuper