Eine nüchterne Einschätzung des KI-Einsatzes in Finance-Funktionen: Wo künstliche Intelligenz echten Nutzen stiftet, wo sie überschätzt wird, und welche Entscheidungen CFOs jetzt treffen müssen, bevor der Druck von außen die Agenda setzt
Das Thema KI in Finance ist so überladen mit Hype, dass es schwer fällt, die Substanz zu sehen. Auf der einen Seite: Anbieter, die versprechen, den Jahresabschluss in Stunden zu erstellen. Berater, die KI als Antwort auf jede Finance-Frage positionieren. Artikel, die prophezeien, dass achtzig Prozent der Finance-Jobs in zehn Jahren verschwunden sein werden. Auf der anderen Seite: Finance-Verantwortliche, die den Hype kennen, die Substanz aber nicht einschätzen können und deshalb entweder zu früh investieren oder zu lange warten.
In Mandaten erlebe ich regelmäßig beide Extreme. CFOs, die KI-Tools eingeführt haben, ohne die Grundlage dafür geschaffen zu haben. Und CFOs, die KI kategorisch als Spielerei abtun und dabei verpassen, dass bestimmte Anwendungen bereits heute echten operativen Nutzen stiften. Beides ist teuer: das eine durch Fehlinvestition, das andere durch verpasste Effizienzgewinne.
Dieser Artikel gibt eine nüchterne Einschätzung. Was kann KI in Finance heute tatsächlich leisten? Wo wird sie systematisch überschätzt? Und welche Entscheidungen müssen CFOs jetzt treffen, bevor der externe Druck die Agenda setzt? Ich schreibe aus der Perspektive einer Practitioner, die Finance-Funktionen in Transformationsphasen begleitet, nicht aus der Perspektive einer Technologieberaterin. Das bedeutet: Ich bewerte KI an ihrem Nutzen für reale Finance-Herausforderungen, nicht an ihren technologischen Möglichkeiten.
Ein Vorbehalt vorab: Der Begriff KI wird in diesem Kontext inflationär verwendet. Was im Markt als KI vermarktet wird, reicht von regelbasierter Automatisierung über maschinelles Lernen bis zu generativer KI im Sinne von Sprachmodellen. Diese Technologien haben unterschiedliche Anwendungsfälle, unterschiedliche Reife und unterschiedliche Risikoprofile. Ich unterscheide im Folgenden dort, wo es relevant ist. Wer das nicht tut, vergleicht Äpfel mit Orangen und trifft entsprechend unscharfe Investitionsentscheidungen.
Der Ausgangspunkt für jede sinnvolle Beschäftigung mit KI in Finance ist nicht die Frage, welche Technologie verfügbar ist, sondern die Frage, welche Probleme tatsächlich gelöst werden sollen. Eine Finance-Funktion, die weiß, wo ihre größten Ineffizienzen liegen, wo Fehlerquoten zu hoch sind und wo Kapazität in regelbasierter Arbeit gebunden ist, die auch anders erledigt werden könnte, hat eine sinnvolle Grundlage für KI-Investitionsentscheidungen. Eine Finance-Funktion, die in KI investiert, weil Wettbewerber das tun oder weil der Vorstand das erwartet, wird weniger präzise Entscheidungen treffen.
Was KI in Finance heute tatsächlich leistet
Automatisierung regelbasierter Prozesse
Der stabilste Nutzen von KI und Automatisierungstechnologien in Finance liegt in der Beschleunigung und Fehlerreduktion bei regelbasierten, repetitiven Prozessen. Rechnungseingang, Kontierung, Abstimmungen, Mahnwesen, Standardberichte. Diese Aufgaben sind gut definiert, datenreich und haben klare Erfolgsmetriken. Sie sind genau die Aufgaben, für die KI-gestützte Automatisierung konzipiert wurde, und der Nutzen ist in vielen Implementierungen bereits empirisch belegt.
In der Praxis bedeutet das: Unternehmen, die Rechnungseingangsverarbeitung mit KI-gestützter OCR und automatischer Kontierungslogik betreiben, verarbeiten Rechnungen schneller, mit weniger manuellen Korrekturen und zu niedrigeren Prozesskosten als Unternehmen, die das manuell tun. Das ist kein Versprechen. Das ist ein messbarer Nutzen, der in vielen Implementierungen bereits realisiert wird. Verarbeitungszeiten sinken, Fehlerquoten sinken, und Finance-Mitarbeiter können Kapazität in Aufgaben investieren, die mehr Urteilsvermögen erfordern.
Was dabei oft übersehen wird: Der Nutzen entsteht nicht durch die KI allein, sondern durch die Kombination aus sauberen Stammdaten, klaren Prozessregeln und einer Systemkonfiguration, die die KI mit verlässlichen Eingaben versorgt. KI, die schlechte Daten verarbeitet, erzeugt schlechte Ergebnisse schneller. Garbage in, garbage out gilt hier wie überall. Wer das nicht versteht, investiert in Automatisierung, bevor die Voraussetzungen für Automatisierung geschaffen sind, und zahlt anschließend für die Bereinigung der Folgeprobleme.
Ein konkretes Beispiel, das ich in mehreren Mandaten erlebt habe: Ein Unternehmen führt ein KI-gestütztes Rechnungseingangsystem ein. Die Technologie funktioniert. Aber die Kreditorenstammdaten sind nicht bereinigt, die Kontierungsregeln sind nicht vollständig dokumentiert, und die Ausnahmebehandlung ist nicht definiert. Das Ergebnis: Das System automatisiert einen Teil der Rechnungen korrekt, produziert für einen anderen Teil Fehler, und generiert einen erheblichen manuellen Nacharbeitsaufwand für Ausnahmefälle, die nicht vorhergesehen wurden. Die Implementierung hat Kosten verursacht, aber keinen Nettonutzen erzeugt. Das ist kein KI-Problem. Es ist ein Grundlagenproblem.
Regelbasierte Automatisierung funktioniert dort am besten, wo die Prozesse, die automatisiert werden sollen, bereits gut definiert und stabil sind. Der Test ist einfach: Wenn ein erfahrener Mitarbeiter die Entscheidungslogik für einen Prozess vollständig aufschreiben kann, ist dieser Prozess ein Kandidat für Automatisierung. Wenn er das nicht kann, weil die Logik implizit ist, situationsabhängig oder historisch gewachsen, ist der erste Schritt Prozessdokumentation, nicht KI-Implementierung. Die Automatisierung kommt danach.
Was in Unternehmen, die Automatisierung erfolgreich einsetzen, auffällt: Sie behandeln die Einführung von KI-Tools nicht als IT-Projekt, sondern als Finance-Projekt. Die Verantwortung für die Prozesslogik, die Qualitätskontrolle der Ausgaben und die Definition von Ausnahmebehandlungen liegt bei Finance, nicht bei IT oder dem Technologieanbieter. Diese Haltung erzeugt bessere Implementierungen, weil Finance die eigenen Prozesse besser kennt als jeder externe Partner und weil die Verantwortungsübernahme für das System die Qualität der Konfiguration erhöht.
Eine Beobachtung, die ich für relevant halte und die in der Automatisierungsdiskussion zu selten gemacht wird: Der Nutzen von Automatisierung ist nicht gleichmäßig verteilt. In großen Finance-Funktionen mit hohem Transaktionsvolumen, standardisierten Prozessen und bereits solider Datenbasis ist der Nutzen erheblich. In kleineren Funktionen mit heterogenen Prozessen, dünner Datenbasis und häufig wechselnden Anforderungen ist er schwieriger zu realisieren. Das bedeutet nicht, dass kleine Finance-Funktionen nicht von Automatisierung profitieren können. Es bedeutet, dass die Investitionslogik eine andere ist, und dass der Ausgangspunkt ebenfalls eine andere Grundlage erfordert. Standardrezepte aus der Großunternehmenspraxis sind für mittelständische Finance-Funktionen oft nicht direkt übertragbar.
Analyse und Mustererkennung
KI-Modelle sind gut darin, Muster in großen Datensätzen zu erkennen, die menschliche Analysten übersehen oder zu langsam identifizieren würden. In Finance bedeutet das: Anomalieerkennung in Buchungsdaten, frühzeitige Hinweise auf ungewöhnliche Zahlungsmuster, Identifikation von Abweichungen zwischen Plan und Ist in Echtzeit, und die Markierung von Buchungen, die nicht zum historischen Muster eines Kontos passen.
Der praktische Nutzen ist real, aber er hängt an einer Voraussetzung: Die Datenbasis muss strukturiert, vollständig und verlässlich sein. KI-gestützte Analyse auf Basis eines ERP-Systems, dessen Datenqualität zweifelhaft ist, produziert Hinweise, die Finance-Mitarbeiter mehr Zeit mit Fehlersuche als mit echter Analyse verbringen lassen. Die Einführung von KI-Analysetools ohne vorherige Datenqualitätssicherung ist eine der häufigsten teuren Fehlinvestitionen in Finance-Digitalisierung.
Was KI-Analyse gut kann: Muster identifizieren und zur menschlichen Beurteilung vorlegen. Was sie nicht kann: die Beurteilung ersetzen. Die Entscheidung, ob eine Anomalie relevant ist, welche Maßnahmen sie erfordert und welche Konsequenzen sie hat, bleibt menschliche Aufgabe. CFOs, die das verstehen, setzen KI-Analyse als Beschleuniger ein. CFOs, die das missverstehen, delegieren Entscheidungen an ein System, das dafür nicht gebaut ist. Der Unterschied in der Praxis ist erheblich: Beschleuniger erzeugen Effizienz. Fehldelegation erzeugt Risiken.
Ein Anwendungsfall, der in der Praxis besonders gut funktioniert: die laufende Überwachung von transitorischen Konten, Intercompany-Abstimmungen und offenen Posten auf Muster, die auf Fehler oder Unvollständigkeiten hinweisen. Diese Aufgaben werden in vielen Finance-Funktionen manuell und periodisch erledigt, was bedeutet, dass Fehler oft erst dann auffallen, wenn sie durch Zeitdruck schwieriger zu beheben sind. KI-gestützte Monitoring-Lösungen, die diese Konten kontinuierlich überwachen und Auffälligkeiten markieren, erlauben eine frühzeitigere Intervention und reduzieren den Aufwand im Abschlussprozess.
Was ich in Mandaten beobachte: Der Unterschied zwischen einer Finance-Funktion, die kontinuierlich überwacht, und einer, die periodisch prüft, ist nicht nur ein technologischer Unterschied. Er ist ein kultureller Unterschied. Finance-Teams, die an kontinuierliche Daten gewöhnt sind, entwickeln eine andere Reaktionsgeschwindigkeit auf Abweichungen als Teams, die auf den nächsten Abschluss warten, um Probleme zu sehen. KI-gestützte Analyse kann diesen kulturellen Wandel unterstützen, aber sie erzeugt ihn nicht automatisch. Die Bereitschaft, auf Signale zu reagieren, bevor sie zu Problemen werden, muss in der Führungskultur der Funktion angelegt sein.
Berichterstattung und Dokumentation
Generative KI, also die Technologie hinter Systemen wie großen Sprachmodellen, verändert bereits heute, wie Finance-Berichte und -Dokumentationen erstellt werden. Standardkommentierungen, die bisher manuell formuliert wurden, können aus Zahlenmaterial generiert werden. Erste Entwürfe von Managementberichten, Abschlussanhängen oder Prüfungsantworten entstehen schneller. Dieser Nutzen ist real und wird in Finance-Funktionen, die damit arbeiten, spürbar.
Der Nutzen ist real, aber er erfordert kritische Qualitätskontrolle. Generative KI produziert plausibel klingende Texte, die sachlich falsch sein können. Für Finance-Dokumentation, die rechtlich relevant ist, prüfbar sein muss und auf korrekten Zahlen basieren muss, ist unkritische Übernahme von KI-generierten Texten ein Risiko. Der Nutzen liegt in der Beschleunigung des Entwurfsprozesses. Die Verantwortung für den Inhalt bleibt beim Menschen. Diese Unterscheidung klingt selbstverständlich. In der Praxis wird sie häufiger verwischt, als sie sollte.
Ein spezifisches Risiko, das in Finance besonders relevant ist: die sogenannte Halluzination. Generative KI-Systeme können Informationen produzieren, die plausibel klingen, aber faktisch falsch sind. In der Berichterstattung über Zahlen bedeutet das: Ein System kann Kommentierungen generieren, die auf Zahlen basieren, die im Eingabematerial so nicht vorhanden waren, oder die Zusammenhänge herstellen, die im Zahlenmaterial nicht belegt werden können. Für eine Pressemitteilung ist das ärgerlich. Für einen Prüfungsanhang oder einen Aufsichtsratsbericht ist es ein Compliance-Risiko. Die Kontrollfunktion, die Finance hier ausüben muss, ist nicht optional.
Was gut funktioniert: generative KI als erstes Entwurfs-Tool für Standardkommentierungen, die anschließend von einem Finance-Experten geprüft und angepasst werden. Was nicht gut funktioniert: generative KI als endgültiger Produzent von Finance-Dokumentation, die direkt verwendet wird. Die Zeitersparnis, die durch den ersten Entwurf entsteht, wird real. Die Risiken, die durch unkritische Verwendung entstehen, sind ebenfalls real. Der Unterschied liegt in der Qualität der anschließenden Prüfung.
In der Praxis erlebe ich, dass Finance-Teams, die generative KI gut nutzen, eine Art mentaler Checkliste entwickeln, bevor sie KI-generierte Texte übernehmen: Sind alle zitierten Zahlen korrekt und im Eingabematerial belegt? Sind die beschriebenen Trends und Zusammenhänge sachlich zutreffend? Entspricht die Formulierung dem Stil und der Präzision, die Finance-Dokumentation erfordert? Teams, die diese Prüfung systematisch durchführen, profitieren von der Beschleunigung durch KI. Teams, die die Prüfung als Bürokratie betrachten, akkumulieren Fehler, die später kostspielig werden.
Was ich außerdem beobachte: Die Qualität der Dokumentation, die generative KI produziert, hängt stark von der Qualität des Inputs ab. Ein gut strukturierter, vollständiger Datensatz als Eingabe erzeugt einen plausibleren Entwurf als ein fragmentarischer Input. Das bedeutet, dass der Aufwand für Dokumentenerstellung durch KI nicht auf null sinkt, sondern sich verschiebt: weg vom Schreiben, hin zur Vorbereitung des Inputs und zur Prüfung des Outputs. Für Finance-Funktionen, die diesen Prozess verinnerlicht haben, ist der Nettonutzen real. Für Funktionen, die erwarten, dass KI den gesamten Prozess abnimmt, entsteht eine andere Art von Aufwand.
Prognose und Planung
Ein Anwendungsbereich, der in der KI-Diskussion für Finance häufig erwähnt wird und tatsächlich Potenzial hat: KI-gestützte Prognosemodelle für Cashflow, Umsatz und Kosten. Traditionelle Finance-Planungsmodelle sind oft statisch, auf wenige Szenarien beschränkt und werden nur periodisch aktualisiert. KI-gestützte Modelle können kontinuierlich aus neuen Daten lernen, mehr Variablen einbeziehen und Prognosen häufiger und schneller aktualisieren.
Der Nutzen ist in Unternehmen, die das gut implementiert haben, messbar: Cashflow-Prognosen werden präziser, Planungszyklen werden kürzer, und die Fähigkeit, auf veränderte Marktbedingungen schnell zu reagieren, verbessert sich. Die Voraussetzungen dafür sind dieselben wie bei anderen KI-Anwendungen: verlässliche Daten, klare Modelllogik und menschliche Prüfung der Ausgaben. Prognosemodelle, die auf historischen Daten basieren, die nicht repräsentativ für die aktuelle Situation sind, produzieren Prognosen, denen man nicht trauen sollte. Das gilt für KI-Modelle genauso wie für manuelle Planung.
Ein Aspekt, der in der Praxis häufig unterschätzt wird: die Erklärbarkeit von KI-Prognosemodellen. Ein CFO, der einem Aufsichtsrat erklären muss, warum die Cashflow-Prognose für das nächste Quartal um zwanzig Prozent von der Planung abweicht, muss die Treiber dieser Abweichung erklären können. Wenn das zugrundeliegende Modell eine Black Box ist, die Prognosen produziert, ohne nachvollziehbare Erklärungen zu liefern, ist das ein Problem. Finance-Führung erfordert Kommunikation und Begründung. Modelle, die das nicht unterstützen, sind für Finance-Führungsentscheidungen begrenzt nutzbar.
Wo KI in Finance systematisch überschätzt wird
Komplexe Bilanzierungsentscheidungen
KI kann regelbasierte Buchungen automatisieren. Sie kann keine komplexen Bilanzierungsentscheidungen treffen. Die Frage, ob ein Sachverhalt nach IFRS 15 oder IFRS 16 behandelt werden muss, ob eine Rückstellung nach vernünftigem kaufmännischem Urteil angemessen ist oder wie ein konzerninternes Geschäft im Konzernabschluss abzubilden ist, erfordert Urteilsvermögen, das nicht algorithmisch ist. Diese Entscheidungen benötigen menschliche Expertise, Erfahrung und Verantwortungsübernahme.
Anbieter, die behaupten, KI könne den Jahresabschluss erstellen, beschreiben einen Teilprozess, nicht den Gesamtprozess. Der Abschluss enthält hunderte von Einzelentscheidungen, die Urteilsvermögen erfordern. KI kann einzelne Schritte in diesem Prozess beschleunigen. Sie kann den Prozess nicht ersetzen. Die Unterscheidung ist nicht akademisch. Sie hat direkte Auswirkungen darauf, wie Verantwortung zugewiesen wird und wer für die Richtigkeit eines Abschlusses einsteht.
Ein konkretes Beispiel: Die Bewertung einer Rückstellung für Garantieverpflichtungen erfordert die Einschätzung zukünftiger Ereignisse auf der Basis vergangener Erfahrungen, aktueller Marktbedingungen und kaufmännischen Urteilsvermögen. KI kann historische Garantiequoten analysieren und statistische Erwartungswerte berechnen. Aber die Entscheidung, ob diese Erwartungswerte für den aktuellen Sachverhalt angemessen sind, ob besondere Umstände eine Anpassung erfordern und wie die Unsicherheit in der Bewertung abgebildet werden soll, bleibt menschliche Aufgabe. Wer das an ein Modell delegiert, gibt die Verantwortung für eine Bilanzierungsentscheidung ab, ohne dass jemand sie übernehmen kann.
Die Konsequenz für die Praxis: KI-Tools in der Abschlussvorbereitung müssen so konfiguriert sein, dass sie Bilanzierungsentscheidungen, die Urteilsvermögen erfordern, explizit als solche markieren und zur menschlichen Beurteilung vorlegen. Systeme, die stattdessen eine Empfehlung produzieren und suggerieren, dass diese Empfehlung die menschliche Entscheidung ersetzen kann, erzeugen ein Governance-Problem. Finance ist eine Funktion, in der Entscheidungen und Verantwortung zusammengehören. Das gilt auch dann, wenn Technologie einen Teil der Vorbereitung übernimmt.
Ich erlebe in Mandaten, dass dieser Punkt manchmal als trivial abgetan wird: Natürlich prüft ein Fachmensch die KI-Ausgaben. Aber in der Praxis hängt die Qualität dieser Prüfung davon ab, wie viel Zeit und Kompetenz dafür vorhanden ist. Eine Finance-Funktion, die unter Kapazitätsdruck steht und KI-Tools einführt, um diesen Druck zu reduzieren, könnte in eine Situation geraten, in der die Prüfung der KI-Ausgaben ebenfalls unter Zeitdruck stattfindet. Wenn in dieser Situation ein Fehler in einer KI-generierten Bilanzierungsentscheidung nicht erkannt wird, ist das Ergebnis eine fehlerhafte Bilanzierungsentscheidung, der ein Mensch zugestimmt hat, ohne sie wirklich geprüft zu haben. Das Risiko liegt nicht in der KI. Es liegt in dem organisatorischen Kontext, in dem sie eingesetzt wird.
Strategische Finance-Funktion
KI kann Daten aufbereiten und analysieren. Sie kann keine strategischen Finance-Entscheidungen treffen. Die Frage, welche Finanzierungsstruktur ein Unternehmen in einer Wachstumsphase benötigt, wie Risiken gehedgt werden sollen oder welche Steuerungsgrößen dem Management vermittelt werden müssen, ist eine Führungsfrage, keine Datenfrage. KI kann die Entscheidungsvorbereitung beschleunigen. Sie kann die Entscheidung nicht treffen.
CFOs, die KI als Werkzeug verstehen, das ihre Entscheidungsgrundlage verbessert, nutzen es richtig. CFOs, die KI als Ersatz für eigenes Urteilsvermögen betrachten, laufen in eine Falle. Die Verantwortung für Finance-Entscheidungen bleibt beim Menschen, auch wenn die Vorbereitung algorithmisch unterstützt wurde. Diese Unterscheidung hat rechtliche, governance-bezogene und operative Konsequenzen.
Ein Aspekt, der in der Diskussion über KI in der strategischen Finance-Funktion oft fehlt: Der Wert von Finance für ein Unternehmen liegt nicht in der Datenverarbeitung, sondern in der Interpretation. CFOs und Finance-Führungskräfte sind wertvoll, weil sie Zahlen in Entscheidungskontext setzen, weil sie Risiken beurteilen, die in den Daten nicht direkt sichtbar sind, und weil sie Führungsinteressen auf dem Fundament der Zahlen moderieren können. Diese Kompetenz ist nicht algorithmisch. KI kann sie unterstützen. Sie kann sie nicht ersetzen.
Was in Finance-Funktionen, die KI strategisch gut nutzen, auffällt: Sie setzen KI dort ein, wo Routine und Regelbasiertheit dominieren, und behalten menschliche Kapazität für Aufgaben, die Urteilsvermögen erfordern. Das Ergebnis ist nicht, dass weniger Menschen in Finance arbeiten, sondern dass dieselbe Kapazität anders eingesetzt wird. Weniger Aufwand für regelbasierte Verarbeitung, mehr Kapazität für Analyse, Interpretation und strategische Unterstützung. Das ist ein realistischeres Bild des mittel- bis langfristigen KI-Effekts in Finance als die Prognose, dass achtzig Prozent der Jobs verschwinden.
Ich erlebe in Mandaten, dass der Druck, KI in der strategischen Finance-Funktion einzusetzen, häufig von außen kommt: Vorstände, die von KI-Möglichkeiten gehört haben; Anbieter, die strategische Finance-Lösungen vermarkten; Wettbewerber, die als Referenz angeführt werden. Der Refleximpuls, diesen Druck durch schnelle Investitionen zu beantworten, ist verständlich. Er ist aber nicht der richtige Ausgangspunkt für sinnvolle Investitionsentscheidungen. Sinnvolle Investitionsentscheidungen beginnen mit der Frage, welches Problem gelöst werden soll, nicht mit der Frage, welche Technologie verfügbar ist.
Implementierung ohne Grundlage
Der häufigste Fehler bei KI-Projekten in Finance: Die Implementierung beginnt, bevor die Grundlage geschaffen ist. Datenqualität ist nicht gesichert. Prozesse sind nicht sauber definiert. Systemintegration ist nicht gelöst. Unter diesen Voraussetzungen produziert KI Mehraufwand, nicht Effizienz. Sie automatisiert Fehler schneller. Sie erzeugt Ausgaben, die aufwendig validiert werden müssen. Sie verbraucht Kapazität für Konfiguration und Fehlerbehebung, die anderswo fehlt.
Die Reihenfolge, die funktioniert: Erst Prozesse stabilisieren und dokumentieren. Dann Datenqualität sichern. Dann Automatisierung einführen. Wer diese Reihenfolge umdreht, weil der Druck hoch ist oder weil ein Anbieter verspricht, dass seine Lösung das alles löst, zahlt doppelt: einmal für die Implementierung und einmal für die Bereinigung der Folgeprobleme. Dieser Fehler ist in Finance-Organisationen so häufig, dass er nicht als Ausnahme, sondern als Standardrisiko behandelt werden sollte.
Ein strukturelles Problem, das zu dieser falschen Reihenfolge führt: der externe Druck, sichtbar fortschrittlich zu sein. Vorstände und Aufsichtsräte stellen die Frage, was Finance in Sachen KI tut. Anbieter und Berater propagieren Lösungen, die schnelle Resultate versprechen. In diesem Umfeld ist es schwieriger, zu sagen, dass man zuerst die Grundlage schaffen muss, bevor man investiert, als zu sagen, dass man bereits ein KI-Projekt läuft hat. Das Ergebnis sind Projekte, die gestartet wurden, um Sichtbarkeit zu erzeugen, aber keinen nachhaltigen Nutzen stiften.
Was ich in Finance-Funktionen, die KI-Projekte erfolgreich abgeschlossen haben, als gemeinsamen Nenner feststelle: Sie haben die Entscheidung, wann der richtige Zeitpunkt für Implementierung ist, intern getroffen und nicht vom externen Druck treffen lassen. Das erfordert die Fähigkeit, dem Druck standzuhalten und zu erklären, warum ein bestimmter Schritt jetzt noch nicht sinnvoll ist. Diese Fähigkeit ist schwieriger als sie klingt, weil sie bedeutet, kurzfristig sichtbaren Fortschritt gegen langfristigen nachhaltigen Nutzen abzuwägen.
Ein Aspekt, der bei der Grundlagenarbeit oft unterschätzt wird: die Prozessdokumentation. Viele Finance-Funktionen haben Prozesse, die gut funktionieren, aber nie schriftlich beschrieben wurden. Diese implizite Prozesskenntnis, die in Köpfen von Mitarbeitern steckt, ist die schlechteste Grundlage für Automatisierung, weil KI-Systeme explizite Regeln benötigen, um zuverlässig zu funktionieren. Die Dokumentation dieser Prozesse ist oft mühsam und zeitaufwendig. Aber sie ist die notwendige Vorarbeit, ohne die Automatisierung nicht das liefert, was versprochen wird.
Welche Entscheidungen CFOs jetzt treffen müssen
Eine realistische Bestandsaufnahme machen
Bevor über KI-Implementierung nachgedacht wird, braucht es eine ehrliche Antwort auf drei Fragen: Wie gut ist die Datenqualität in unseren Kernsystemen? Wie sauber sind unsere Finance-Prozesse dokumentiert und standardisiert? Welche Aufgaben in unserer Finance-Funktion sind tatsächlich regelbasiert und repetitiv genug, um Automatisierungsnutzen zu rechtfertigen?
Diese Bestandsaufnahme ist unbequem, weil sie häufig ergibt, dass die Grundlage für KI-Implementierung noch nicht gegeben ist. Aber sie ist ehrlicher als eine KI-Roadmap, die an einer instabilen Datenbasis scheitert. CFOs, die diese Analyse machen, treffen bessere Investitionsentscheidungen. CFOs, die sie überspringen, riskieren, in Projekte zu investieren, die nicht das erbringen, was versprochen wurde.
Was eine gute Bestandsaufnahme konkret umfasst: eine Einschätzung der Datenqualität in ERP und anderen Finance-Kernsystemen, idealerweise auf Basis einer Stichprobenanalyse, nicht auf Basis von Einschätzungen, die Mitarbeiter routinemäßig abgeben. Eine Dokumentationsaufnahme, die erfasst, welche Prozesse schriftlich beschrieben sind und welche nicht. Und eine Analyse der tatsächlichen Aufgabenverteilung in der Finance-Funktion, die zeigt, welche Aufgaben regelbasiert und repetitiv sind und welche Urteilsvermögen erfordern. Diese drei Datenpunkte ergeben eine Grundlage, auf der sinnvolle Priorisierungsentscheidungen möglich sind.
Ein Aspekt, der bei der Bestandsaufnahme oft fehlt: die Einbeziehung des Finance-Teams. Mitarbeiter, die täglich mit den Systemen und Prozessen arbeiten, haben oft präzisere Einschätzungen darüber, wo Ineffizienzen liegen und welche Aufgaben von Automatisierung profitieren würden, als jede externe Analyse. Diese Einschätzungen werden häufig nicht systematisch erhoben, weil Mitarbeiter nicht gefragt werden oder weil ihre Einschätzungen als subjektiv abgetan werden. Das ist ein Fehler. Erfahrungswissen über eigene Prozesse ist eine der wertvollsten Informationsquellen bei der Priorisierung von Automatisierungsinvestitionen.
Die Bestandsaufnahme hat außerdem eine wichtige Funktion jenseits der Investitionsentscheidung: Sie schafft eine gemeinsame Grundlage im Finance-Team für die Frage, wohin die Entwicklung gehen soll. CFOs, die das Team in die Bestandsaufnahme einbeziehen und das Ergebnis transparent kommunizieren, bauen eine größere Bereitschaft auf, Veränderungen mitzutragen, als CFOs, die die Entscheidung allein treffen und verkünden. Veränderungsbereitschaft ist eine Ressource, die knapp ist. Sie wird durch Einbeziehung erhöht, nicht durch Anweisung.
Pilotprojekte mit klarem Nutzennachweis
Der sinnvolle Einstieg in KI in Finance ist nicht die großangelegte Transformation, sondern ein eng definiertes Pilotprojekt mit klarem Nutzennachweis. Rechnungseingangsautomatisierung in einer Gesellschaft. KI-gestützte Kontoabstimmung für einen definierten Buchungskreis. Generative KI für eine spezifische Berichtskategorie. Pilotprojekte, die einen messbaren Nutzen erbringen, schaffen die Grundlage für breitere Implementierungen. Pilotprojekte, die scheitern, liefern wertvolle Erkenntnisse, bevor große Investitionen geflossen sind.
Was Pilotprojekte brauchen: klare Erfolgskriterien vor dem Start, ehrliche Messung während der Implementierung und die Bereitschaft, abzubrechen, wenn der Nutzennachweis ausbleibt. Die häufigere Variante in der Praxis: Pilotprojekte, die eigentlich gescheitert sind, aber weitergeführt werden, weil die Investition bereits getätigt wurde. Sunk-Cost-Denken ist in KI-Projekten besonders teuer, weil die Folgekosten einer gescheiterten Implementierung die ursprünglichen Investitionskosten häufig übersteigen.
Klare Erfolgskriterien bedeutet in der Praxis: konkrete, messbare Ziele, die vor dem Start vereinbart wurden und nach einem definierten Zeitraum geprüft werden. Nicht „wir wollen effizienter werden“, sondern „wir wollen die Verarbeitungszeit für eingehende Rechnungen um dreißig Prozent reduzieren und die manuelle Nachbearbeitungsquote auf unter fünf Prozent senken“. Diese Präzision erleichtert die Messung, reduziert Interpretationsspielräume und macht es einfacher, die Entscheidung über Fortführen oder Abbrechen auf Basis von Daten zu treffen.
Was ich in erfolgreichen Pilotprojekten beobachte: Eine Person aus dem Finance-Team hat die inhaltliche Verantwortung für das Projekt. Nicht IT, nicht der Technologieanbieter, sondern jemand aus Finance, der die Fachlichkeit versteht und die Entscheidungen verantwortet. Diese Person weiß, wie die Prozesse laufen, die automatisiert werden sollen, hat Zugang zu den Stakeholdern innerhalb und außerhalb von Finance und kann die Qualität der Ausgaben beurteilen. Ohne diese interne Verantwortungsübernahme sind Pilotprojekte auf das Wohlwollen des Anbieters angewiesen.
Ein weiterer Faktor, der über Erfolg und Misserfolg von Pilotprojekten entscheidet: das Timing. Pilotprojekte, die in Phasen hohen operativen Drucks gestartet werden, also kurz vor dem Jahresabschluss, während einer ERP-Migration oder in der Hochphase eines Integrationsprojekts, leiden darunter, dass die Kapazität für die interne Verantwortungsübernahme nicht ausreicht. Die Implementierung läuft, aber die Konfiguration wird hastig erledigt, die Schulung des Teams findet nicht statt, und die Qualitätsprüfung der Ausgaben wird unter Zeitdruck durchgeführt. Das Ergebnis ist ein Pilotprojekt, das nicht das zeigt, was die Technologie kann, sondern was passiert, wenn Implementierung unter Druck stattfindet.
Kompetenzaufbau als strategische Investition
KI-Tools sind nur so gut wie die Menschen, die sie einsetzen und beurteilen. Finance-Teams, die KI-Ausgaben nicht kritisch bewerten können, die Systemkonfiguration nicht verstehen und die Grenzen der Technologie nicht kennen, sind abhängig von Anbietern, die kein Eigeninteresse an Nüchternheit haben. Der Aufbau von KI-Kompetenz im Finance-Team ist keine optionale Weiterbildungsmaßnahme. Er ist eine strategische Notwendigkeit.
Diese Kompetenz umfasst drei Ebenen: technisches Grundverständnis, wie KI-Modelle funktionieren und wo ihre Grenzen liegen. Kritische Beurteilungskompetenz, wie KI-Ausgaben validiert und auf Plausibilität geprüft werden. Und Implementierungskompetenz, wie KI-Projekte so aufgesetzt werden, dass sie nachhaltig Nutzen stiften statt Folgeprobleme erzeugen. Keine dieser Ebenen erfordert, dass Finance-Mitarbeiter zu KI-Spezialisten werden. Es erfordert, dass sie informierte Konsumenten von KI-Technologie sind.
Was informierte Konsumenten von KI-Technologie können: Sie können einem Anbieter die richtigen Fragen stellen. Sie können Versprechen einordnen und von belegbaren Fähigkeiten unterscheiden. Sie können die Ausgaben eines KI-Systems auf Plausibilität prüfen und Fehler identifizieren, bevor sie Konsequenzen haben. Und sie können die Entscheidung, ob ein KI-Tool für einen bestimmten Anwendungsfall geeignet ist, auf Basis eigener Beurteilung treffen, statt auf die Einschätzung des Anbieters angewiesen zu sein.
Wie wird diese Kompetenz aufgebaut? In meiner Beobachtung am effektivsten durch direkte Praxiserfahrung mit kleinen, gut definierten Anwendungsfällen. Theoretisches Training über KI-Technologien hat begrenzten Nutzen, wenn es nicht durch konkreten Anwendungsbezug ergänzt wird. Finance-Teams, die ein eng definiertes Pilotprojekt von Anfang bis Ende begleiten, lernen mehr über die reale Funktionsweise von KI-Tools als durch jede externe Schulung. Das ist ein zusätzliches Argument für Pilotprojekte, die intern verantwortet werden.
Eine Beobachtung, die ich in Mandaten regelmäßig mache: Finance-Teams haben oft mehr Bereitschaft, sich mit KI auseinanderzusetzen, als ihre Führungskräfte vermuten. Die Wahrnehmung, dass Mitarbeiter KI als Bedrohung ihres Arbeitsplatzes erleben und deshalb resistent sind, stimmt in vielen Fällen nicht. Mitarbeiter, die täglich regelbasierte, repetitive Aufgaben erledigen, wissen oft selbst, dass diese Aufgaben automatisiert werden könnten, und sind bereit, das zu unterstützen, wenn sie in den Prozess einbezogen werden und die Richtung der Veränderung kennen. Was Widerstand erzeugt, ist nicht die Automatisierung selbst, sondern Unklarheit darüber, was sie für die eigene Rolle bedeutet.
Was ich in meinen Mandaten beobachte
Die Finance-Organisationen, in denen KI bereits echten Nutzen stiftet, haben einen gemeinsamen Nenner: Sie haben die Grundlage geschaffen, bevor sie implementiert haben. Saubere Daten, dokumentierte Prozesse, klare Erfolgskriterien. Und sie haben klein angefangen, mit eng definierten Anwendungsfällen, die messbaren Nutzen erbrachten, bevor sie ausgebaut wurden. Das klingt banal. Es ist in der Praxis selten.
Die Finance-Organisationen, die ich in schwierigen KI-Projekten angetroffen habe, haben die Reihenfolge umgedreht. Sie haben in KI-Tools investiert, bevor die Grundlage stimmte, und sind jetzt in einem Zustand, in dem sie gleichzeitig den laufenden Betrieb sicherstellen, Implementierungsprobleme lösen und die ursprüngliche Datenbasis bereinigen müssen. Das ist kein KI-Problem. Es ist ein Sequenzierungsproblem. Und es ist vermeidbar.
Eine Beobachtung, die ich in diesem Zusammenhang für besonders wichtig halte: Anbieter von KI-Tools in Finance haben ein strukturelles Eigeninteresse daran, die Voraussetzungen für eine erfolgreiche Implementierung positiv darzustellen. Sie verdienen an der Implementierung, nicht an der Bestandsaufnahme, die möglicherweise zeigt, dass eine Implementierung noch nicht sinnvoll ist. Das bedeutet nicht, dass Anbieter lügen. Es bedeutet, dass der CFO oder der Verantwortliche in Finance, der die Entscheidung trifft, eine unabhängige Einschätzung benötigt, die nicht vom Anbieter kommt. Wer diese unabhängige Einschätzung mit in die Entscheidung einbringt, trifft zuverlässigere Investitionsentscheidungen. Wer sich allein auf die Anbieterseite verlässt, trägt das volle Fehleinschätzungsrisiko.
Was ich schließlich noch beobachte: Die Finance-Funktionen, die in KI investieren und gleichzeitig den laufenden Betrieb unter Druck steuern müssen, haben oft nicht die Kapazität, beides gut zu tun. Implementierungsprojekte, die parallel zu Jahresabschluss, Planungsrunden oder Post-Merger-Integration laufen, leiden unter der Konkurrenz um dieselbe Kapazität. Die ehrlichste Empfehlung in vielen Mandaten wäre: nicht jetzt, sondern nach der nächsten stabilen Phase. Das ist keine populäre Empfehlung in einem Markt, in dem Tempo als Wettbewerbsmerkmal gilt. Aber es ist die zuverlässigere Grundlage für eine Implementierung, die das hält, was sie verspricht.
Was ich in Mandaten außerdem beobachte: Die Entscheidung über KI-Investitionen wird häufig in einem Kontext getroffen, der nicht optimal für gute Investitionsentscheidungen ist. Zeitdruck, weil ein Vorstand eine schnelle Antwort will. Informationsasymmetrie, weil der Anbieter mehr über die Technologie weiß als der Käufer. Und sozialer Druck, weil Wettbewerber als Referenz eingeführt werden. In diesem Kontext ist die Bereitschaft, eine Bestandsaufnahme zu machen und auf dieser Basis eine sorgfältige Entscheidung zu treffen, die eigentliche strategische Kompetenz. Sie ist seltener als sie sein sollte.
Ein Muster, das ich in Mandaten regelmäßig sehe: CFOs, die KI-Entscheidungen unter externem Druck treffen, investieren häufiger in Technologie als in Grundlagen. Das Ergebnis sind Finance-Funktionen, die hochentwickelte Tools haben, aber keine stabile Datenbasis, auf der diese Tools verlässlich arbeiten können. Die Technologie ist vorhanden, der Nutzen bleibt aus. Die richtige Schlussfolgerung wäre, die Grundlage nachzuholen. Die häufigere Schlussfolgerung ist, nach anderen Tools zu suchen, die das Problem lösen sollen. Das ist ein Zyklus, der teuer ist.
Die nüchterne Einschätzung: KI wird Finance verändern. Aber nicht so schnell und nicht so vollständig, wie der Hype suggeriert. Und der Nutzen entsteht nicht durch die Technologie allein, sondern durch die Kombination aus richtiger Grundlage, richtigem Anwendungsfall und richtiger Kompetenz. Finance-Funktionen, die das verstanden haben und entsprechend investieren, werden in den nächsten Jahren Effizienzgewinne realisieren. Finance-Funktionen, die dem Hype folgen, ohne die Grundlage zu schaffen, werden Geld ausgeben, ohne proportionalen Nutzen zu erhalten.
Was den Zeitrahmen angeht: Ich halte Prognosen, die Finance innerhalb von fünf Jahren grundlegend verändert sehen, für überzogen. Die Grundlagenarbeit, die echte KI-Implementierungen erfordern, dauert länger als fünf Jahre für Organisationen, die heute noch mit fragmentierten Systemen, unbereinigten Daten und undokumentierten Prozessen arbeiten. Das ist keine Kritik, sondern eine realistische Einschätzung des Ausgangspunkts vieler Finance-Funktionen im deutschsprachigen Mittelstand. Wer das weiß, plant anders, als wer von einem Zeithorizont ausgeht, der die Grundlagenarbeit ausklammert. Und wer anders plant, trifft auch bessere Prioritätsentscheidungen über den nächsten sinnvollen Schritt.
Ein Muster, das sich durch erfolgreiche und gescheiterte KI-Projekte in Finance zieht: Erfolgreiche Projekte haben ein klar formuliertes Problem als Ausgangspunkt. Gescheiterte Projekte haben eine Technologie als Ausgangspunkt. Der Unterschied klingt trivial, hat aber erhebliche Konsequenzen für die gesamte Projektlogik. Wer mit einem Problem beginnt, kann beurteilen, ob KI die beste Lösung ist, und kann den Erfolg an der Lösung des Problems messen. Wer mit einer Technologie beginnt, sucht Anwendungsfälle und misst Erfolg an Implementierungsfortschritt, nicht an gelösten Problemen. Die Projektlogik, die aus diesen unterschiedlichen Ausgangspunkten entsteht, führt zu sehr unterschiedlichen Ergebnissen.
Was ich aus dieser Beobachtung für die Praxis ableite: Die erste und wichtigste Investition in KI in Finance ist nicht in Technologie, sondern in die Fähigkeit, gute Investitionsentscheidungen zu treffen. Wer die Grundlage versteht, die KI-Nutzen erst möglich macht, und wer die Bereitschaft hat, diese Grundlage zu schaffen, bevor er investiert, trifft präzisere Entscheidungen. Und präzise Investitionsentscheidungen sind in einem Markt, in dem Anbieter mit Versprechen konkurrieren, die selten in dieser Form eintreffen, der entscheidende Wettbewerbsvorteil.
Meine Einschätzung
CFOs, die KI als magische Lösung für strukturelle Finance-Probleme betrachten, werden enttäuscht werden. CFOs, die KI als Werkzeug betrachten, das unter den richtigen Voraussetzungen echten Nutzen stiftet, werden in den nächsten drei bis fünf Jahren messbare Effizienzgewinne realisieren. Der Unterschied liegt nicht in der Technologie. Er liegt in der Haltung, mit der investiert wird.
Die Entscheidung, die jetzt getroffen werden muss, ist nicht: KI oder kein KI. Die Entscheidung ist: Bin ich bereit, die Grundlage zu schaffen, die KI-Nutzen erst möglich macht? Oder warte ich auf Tools, die meine strukturellen Probleme lösen, ohne dass ich die Grundlage schaffen muss? Letztere werden nicht kommen. Die Grundlage ist nicht eine Hürde, die Anbieter irgendwann wegnehmen. Sie ist eine Voraussetzung, die das Unternehmen selbst schaffen muss.
Was die Grundlage konkret umfasst, ist keine neue Erkenntnis: saubere Daten, dokumentierte Prozesse, klare Verantwortlichkeiten. Diese drei Elemente sind in Finance-Funktionen auch unabhängig von KI wertvoll. Sie verbessern die Qualität von Abschlüssen, die Zuverlässigkeit von Berichten und die Effizienz von Prozessen. KI verstärkt die Vorteile einer gut strukturierten Funktion. Sie heilt nicht die Nachteile einer schlecht strukturierten. Das bedeutet: Investitionen in die Grundlage zahlen sich in jedem Fall aus, unabhängig davon, ob und wann KI eingesetzt wird.
Ich erlebe in Mandaten, dass CFOs, die KI nüchtern und strukturiert angehen, eine bestimmte Art von Sicherheit ausstrahlen, die Vertrauen erzeugt — gegenüber dem Aufsichtsrat, gegenüber dem restlichen Management und gegenüber dem eigenen Team. Sie können erklären, warum sie in bestimmte Bereiche investieren und warum nicht, und sie können den Nutzen nach einer definierten Periode messen. Diese Fähigkeit zur Erklärung und Messung ist nicht nur ein Governance-Erfordernis. Sie ist ein Führungsmerkmal, das Finance in einer Diskussion, die häufig von Hype dominiert wird, in eine Rolle der Klarheit bringt. Finance als nüchterne, prüfende Stimme in der KI-Diskussion ist eine wertvolle Rolle, die nicht oft genug besetzt wird.
Abschließend: Die Frage, die ich CFOs stelle, die mit mir über KI in ihrer Finance-Funktion sprechen wollen, ist nicht, welche Tools sie kaufen sollen. Die Frage ist, was sie in den nächsten zwölf Monaten belastet und wo sie strukturell vorankommen wollen. Aus dieser Antwort ergibt sich, ob und wo KI eine sinnvolle Rolle spielen kann. Manchmal ist die Antwort, dass KI noch nicht der richtige nächste Schritt ist, und dass andere Maßnahmen einen höheren Nutzen erzeugen. Das ist eine Antwort, die Anbieter nicht geben werden. Aber es ist häufig die ehrlichste und nützlichste Antwort.
Es gibt eine Beobachtung, die ich für besonders relevant halte und die in der KI-Diskussion häufig fehlt: Die Finance-Funktion, die heute die Grundlage für KI-Nutzen schafft, ist morgen auch robuster gegenüber anderen Veränderungen. Saubere Daten und dokumentierte Prozesse helfen bei ERP-Wechseln, bei Akquisitionen, bei der Einführung neuer Berichtsstandards und bei Führungswechseln. Die Grundlage, die für KI-Nutzen notwendig ist, ist keine KI-spezifische Investition. Sie ist eine Investition in strukturelle Stabilität, die sich in vielen Kontexten auszahlt.
Ein Aspekt der Verantwortungsfrage, der in der KI-Diskussion zu wenig Beachtung findet: Wer haftet, wenn ein KI-generierter Abschluss, ein KI-gestützter Bericht oder eine KI-unterstützte Finanzierungsentscheidung fehlerhaft ist? Die rechtliche Antwort ist klar: Der Mensch, der die Entscheidung getroffen oder gezeichnet hat. Die praktische Konsequenz daraus ist, dass Governance-Strukturen in Finance-Organisationen explizit definieren müssen, welche Rolle KI im Entscheidungsprozess spielt und welche Prüfschritte sicherstellen, dass menschliche Verantwortung nicht durch KI-Delegierung faktisch ausgehöhlt wird. Finance-Organisationen, die das nicht tun, riskieren nicht nur Fehler, sondern auch Rechenschafts- und Compliancelücken, die später schwer zu erklären sind.
Die Frage nach den Kompetenzen, die in Finance-Funktionen der nächsten fünf Jahre gefragt sein werden, ist eng mit der KI-Frage verbunden. KI übernimmt regelbasierte Verarbeitung. Was bleibt und was wertvoller wird, ist die Fähigkeit zur Interpretation, zum Urteilsvermögen, zur Kommunikation von Komplexität und zur Steuerung unter Unsicherheit. Diese Fähigkeiten sind nicht algorithmisch. Sie sind in erfahrenen Finance-Professionals angelegt, die tief genug in ihrem Fach verwurzelt sind, um die Grenzen von Modellen zu beurteilen. Das ist ein Argument dafür, in Finance-Talente mit starker Fachkompetenz zu investieren, nicht ein Argument dagegen. KI macht Fachkompetenz nicht weniger wichtig. Sie macht sie wichtiger, weil ohne Fachkompetenz die Beurteilung von KI-Ausgaben nicht verlässlich möglich ist.
Meine Empfehlung an CFOs, die die KI-Diskussion für ihre Finance-Funktion strukturieren wollen: Beginnen Sie mit der Bestandsaufnahme, nicht mit der Technologieauswahl. Klären Sie, wo Ihre Funktion steht, was die realen Ineffizienzen sind und welche Grundlage bereits vorhanden ist. Entscheiden Sie dann, welcher Anwendungsfall als Pilot sinnvoll ist, und setzen Sie klare Erfolgskriterien, bevor Sie beginnen. Bauen Sie intern die Kompetenz auf, KI-Ausgaben zu beurteilen. Und behalten Sie die Bereitschaft, Projekte abzubrechen, wenn der Nutzennachweis ausbleibt. Das ist keine revolutionäre Agenda. Aber sie ist die Agenda, die in der Praxis funktioniert.
Wenn Sie einschätzen wollen, wo Ihre Finance-Funktion steht und welche KI-Anwendungen unter Ihren spezifischen Voraussetzungen echten Nutzen stiften können, können wir das strukturiert angehen. Ich arbeite nicht mit Standardempfehlungen. Ich beginne damit zu verstehen, was in Ihrer Funktion tatsächlich los ist.
Was ich mitbringe
Ich bin Nicole Vekonj, Interim Managerin Finance & Controlling und Business Automation Managerin in Ausbildung bei Haufe. Ich kombiniere operative Mandatserfahrung mit dem strukturierten Wissen über Prozessautomatisierung, die in Finance-Organisationen wirklich funktioniert.
👉 Schildern Sie mir Ihre Situation kurz: zahlenkompetenz.de/de/kontakt




