Die meisten Finanzverantwortlichen in großen Unternehmen haben die richtigen Investitionen getätigt. Ein modernes ERP, Cloud-Datenplattformen, Planungstools und mehr. Und zunehmend kommt jetzt auch KI hinzu – zur Prognoseunterstützung, Anomalieerkennung, Abschlussbeschleunigung und Berichterstattung in großem Umfang.
Der Technologie-Stack sieht gut aus. Aber wenn der Vorstand beginnt, nach Ergebnissen zu fragen, lassen sich die Erträge weit schwerer beziffern als die Investitionen.
Wofür Ihr ERP konzipiert wurde – und wofür nicht
Ihr ERP-System ist hervorragend in dem, wofür es entwickelt wurde: Transaktionen erfassen, Buchhaltungsstandards durchsetzen, den Kontenplan verwalten. Es dient als zentrale Datenquelle und erfüllt diese Aufgabe gut.
Doch es bildet nicht ab, wie Ihr Unternehmen beschlossen hat, unternehmensinterne Eliminierungen über eine komplexe Entitätsstruktur hinweg zu handhaben. Es enthält nicht die Kostenzuweisungsmethodik Ihres FP&A-Teams, die über drei Budgetzyklen optimiert wurde. Es weiß nicht, ab welchem Schwellenwert für Abweichungen eine Überprüfung durch das Controlling oder eine Eskalation an die Geschäftsführungsebene erforderlich ist, oder wie Ihr Steuerteam die Zuordnung der Steuerhoheitsgebiete im Rahmen von Pillar Two definiert hat. Diese Logik – spezifisch, dokumentiert, unternehmensdefiniert – ist nicht in Ihrem ERP enthalten. Sie befindet sich auch nicht in Ihrem Data Warehouse.
Bei den meisten Finanzorganisationen lebt sie in Tabellenkalkulationen. Manchmal auch nur in den Köpfen derjenigen, die sie erstellt haben.
Wo KI im Finanzwesen auf Grenzen stößt
In Diskussionen über KI im Finanzwesen wird häufig auf eine bestimmte Erkenntnis verwiesen: Eine Studie des MIT hat ergeben, dass 95 % der Unternehmen keinen messbaren Return für ihre Investitionen in generative KI verzeichnen. Bain & Company betrachtete dieselbe Situation und kam speziell für den Finanzbereich zu einer anderen Schlussfolgerung. Die schnellste Amortisation von KI im Finanzwesen ergibt sich aus der Integration in Workflows – nicht aus der Durchführung von Pilotprojekten. Diese Unterscheidung ist wichtig, weil sie erklärt, warum so viele KI-Bemühungen im Finanzbereich nach dem Machbarkeitsnachweis ins Stocken geraten.
KI kann Daten in hoher Geschwindigkeit verarbeiten und Muster in umfangreichen Datasets aufdecken. Was sie jedoch nicht kann, ist Ihre Geschäftslogik aus Rohdaten abzuleiten. Ohne diesen Kontext wirken die Ergebnisse der KI im Finanzwesen zwar überzeugend, halten jedoch keiner kritischen Überprüfung stand – und in einem Bereich, in dem die Überprüfbarkeit eine Grundvoraussetzung darstellt, ist dieser Mangel keineswegs unerheblich. Dies unterstreicht, dass vertrauenswürdige KI für die Skalierung von Workflows und KI-Piloten von entscheidender Bedeutung ist.
In unserer eigenen Umfrage unter 1.400 IT- und Geschäftsverantwortlichen fragten wir nach den größten Hindernissen für den Erfolg von KI-gestützten Workflows. Jeder Zweite (49 %) nannte ungenaue oder verzerrte Ergebnisse. 38 % gaben an, dass sie nicht bereit seien, der KI Entscheidungen ohne menschliche Aufsicht zu überlassen. Auch wenn für den Einsatz von LLMs keine perfekten Daten erforderlich sind, sind vertrauenswürdige Daten doch unerlässlich.
Die Ebene, die tatsächlich fehlt
Die Lücke zwischen Ihrem ERP und Ihren KI-Ambitionen ist keine Datenlücke. Es handelt sich um eine Lücke in der Geschäftslogik – die Ebene, auf der die spezifischen Regeln, Methoden und Entscheidungskriterien Ihres Unternehmens angesiedelt sind und auf der KI eingesetzt werden muss, um Ergebnisse zu erzielen, hinter denen Sie voll und ganz stehen können.
Wenn diese Ebene korrekt aufgebaut ist – Logik dokumentiert, Workflows wiederholbar, Ausgaben rückverfolgbar –, verfügt die KI über validierte, strukturierte Eingaben und nicht über Rohdaten, die sie interpretieren muss. Die Ergebnisse lassen sich gegenüber Auditor:innen und dem Vorstand erklären. Und die Frage der Reihenfolge löst sich von selbst: Den Prozess richtig zu gestalten, ist der Schlüssel zur erfolgreichen Einführung von KI.
Was für den Aufbau dieser Ebene erforderlich ist
Um diese Lücke zu schließen, bedarf es mehr als einer Verpflichtung, „KI verantwortungsvoll zu nutzen“. Es braucht drei spezifische Dinge, die innerhalb der Finanzabteilung aufgebaut und verwaltet werden, anstatt an die IT-Abteilung weitergegeben zu werden.
- Ein speziell auf den jeweiligen Prozess zugeschnittener Datenbestand. Kein weiteres Data Warehouse, sondern ein eng gefasstes, klar definiertes Dataset, das auf einen einzelnen Prozess zugeschnitten ist und widerspiegelt, wie Ihr Team ihn tatsächlich misst, und nicht nur, was Ihr ERP gerade speichert.
- Dokumentierte Logik statt undokumentiertem Expertenwissen. Die Zuweisungsmethode oder der Abweichungsschwellenwert, der eine Eskalation auslöst – integriert in einen wiederholbaren Workflow anstelle der Tabellenkalkulation einer/eines erfahrenen Data Analyst. Die Veränderung besteht darin, es einmalig zu erstellen. In einer Form, die KI verarbeiten kann.
- Eine Möglichkeit zur Aktualisierung bei geschäftlichen Veränderungen. Vergütungsmodelle werden angepasst, steuerliche Zuständigkeiten ändern sich, und nach einer Übernahme muss der Kontenplan neu strukturiert werden. Logik, die nur durch das Einreichen eines Tickets bei der IT geändert werden kann, ist veraltet, bevor sie bereitgestellt wird – die Personen, die für den Prozess verantwortlich sind, müssen diejenigen sein, die die Regel anpassen können.
Nichts davon setzt eine perfekte Systemarchitektur voraus. Der sinnvollste Ausgangspunkt ist der Prozess, bei dem Ihre Data Analysts in jedem Zyklus immer wieder mit derselben Frage konfrontiert werden. Erstellen Sie zuerst diesen einen Workflow und verbinden Sie ihn mit den KI-Tools, die Ihr Team bereits verwendet. Die Logik lässt sich von hier schrittweise erweitern: Dieselbe kontrollierte Berechnung, die die Frage eines Controllers beantwortet, kann das Szenariomodell speisen, das Ihren nächsten Planungszyklus steuert.