Generative KI in der Finanzfunktion: Erfahrungen aus der Praxis
Generative KI hat die Finanzfunktion innerhalb weniger Jahre erreicht. Nach dem Top CFO Tools Report 2026 von CFO Connect (215 befragte Finanzverantwortliche, Sommer 2026) nutzen 67 Prozent der Finance-Teams mindestens ein KI-Werkzeug. 2023 waren es 13 Prozent.
Die Literatur dazu stammt überwiegend von Anbietern und aus der Regulierung. Dieser Beitrag ergänzt sie um die Sicht eines Finance-Teams in einem Scale-up mit rund 200 Mitarbeitenden. Es setzt generative KI seit Anfang 2023 ein, das Handelsblatt hat darüber berichtet. Seitdem hat sich natürlich viel geändert. Einige Anwendungen wurden ausgebaut, andere zurückgebaut, die Modelle mehrfach ausgetauscht.
Auswahl des ersten Prozesses
Den Anfang machte im Januar 2023, rund zwei Monate nach der Einführung von ChatGPT, der Lagebericht. Jedes Jahr müssen die Abschnitte zu wirtschaftlichem Umfeld und Ausblick aktualisiert werden. Rund 90 Prozent der Inhalte sind externe, recherchierbare Daten. Der Aufwand betrug bis dahin zwei bis drei Tage Werkstudierenden-Arbeit und etwa zwei Stunden im Compliance-Bereich.
Drei Kriterien sprachen für diesen Prozess. Er wiederholt sich jährlich. Er stützt sich auf öffentliche Quellen. Und er war im Team unbeliebt. Das letzte Kriterium erwies sich als wichtig: Der erste Anwendungsfall sollte ein Problem lösen, das die Beteiligten ohnehin belastet. Der Entwurf entsteht seitdem in Minuten und wird von einem Menschen geprüft. Das Werkzeug wurde 2025 gewechselt, der Prozess blieb unverändert.
KI als Kontrollschicht
Als zweite Anwendung folgte die Kontrolle des Monatsabschlusses. Die KI vergleicht die Ist-Zahlen mit Budget und aktuellem Forecast, markiert Abweichungen und Ausreißer und nennt mögliche Treiber. Sie dient als Plausibilitätsprobe, die abschließende Freigabe bleibt beim Menschen.
Das spart je nach Zahl der Abweichungen und hierdurch notwendigen Follow-ups ein bis zwei Arbeitstage (interne Schätzung). Die Analyse deckt häufig implizite Inkonsistenzen auf, die im Team als „machen wir immer so“ gelten und neuen Teammitgliedern nicht bekannt sind.
Die Ergebnisse bereitet sie adressatengerecht auf: für das C-Level mit Blick auf Maßnahmen, für Gesellschafter auf Langzeiteffekte, für Banken auf Covenants und Sicherheiten.
Grenzen des Zeitgewinns
Erstens: das Rechnen. Sprachmodelle arbeiten probabilistisch, daher kann dieselbe Frage zu leicht unterschiedlichen Antworten führen. Bei Zahlen ist das kritisch, weil der Kontext die Interpretation verschiebt: In Versionsnummern steht 9,11 hinter 9,9. Wer Berechnungen dem Modell überlässt, muss sie vollständig nachprüfen. Besser strukturiert das Modell, gerechnet wird in einem nachprüfbaren Werkzeug wie Excel.
Zweitens: die Kosten. Anbieter rechnen in drei Bereichen ab: Lizenz je Person, Mehrverbrauch und API-Nutzung. Ohne bekannte und überwachte Abrechnungsgrundlagen können die Kosten stark steigen.
Das Team hat deshalb ein eigenes Dashboard gebaut, das Aufwände je Modell, Person und Projekt erfasst. Es zeigt: 60 Prozent der Kosten entfielen auf Mehrverbrauch, und die zehn aktivsten Nutzenden verursachten davon 86 Prozent (interne Auswertung). Nach der Experimentierphase sollten Nutzende und Modelle gesteuert werden.
Was wieder abgeschaltet wurde
Das Unternehmen hat bisher rund 120 eigene Anwendungen gebaut, etwa 20 davon im Finanzbereich. Nicht alle blieben im Einsatz.
Ein Beispiel ist eine Anwendung für Auskünfte nach dem Entgelttransparenzgesetz, die ich auf Lovable entwickelt habe. Sie wurde aufgesetzt, getestet und kalibriert, aber nie produktiv genutzt, weil die Gesetzeslage unklar blieb. Gespart wurden die Kosten für ein externes Werkzeug, auch künftig, sobald die Anwendung nach Veröffentlichung des Gesetzes angepasst ist.
Das Projekt zeigte zugleich die Zusammenarbeit von Compliance, Datenschutz und IT-Security, da dort hochsensible Personendaten verarbeitet wurden.
Ein zweites Muster ist der Modellwechsel. Der Kommentar zum Monatsabschluss auf CFO-Ebene lief nacheinander mit ChatGPT, Gemini und Claude. Jeder Wechsel erfordert angepasste Prompts und neue Prüfungen, steigerte aber zugleich die Output-Qualität und direkte Nutzbarkeit beträchtlich.
Governance-Fragen vor dem Start
Fünf Punkte sollten vor dem Einsatz geklärt sein.
Erstens, wer welches Werkzeug nutzen darf, alle oder zunächst eine Testgruppe, und unter welchen Bedingungen, etwa nur mit EU-Hosting und Auftragsverarbeitungsvertrag.
Zweitens, welche Daten je nach Nutzungsform ausgeschlossen sind, etwa personenbezogene Daten und unveröffentlichte Finanzzahlen.
Drittens, welche KI-Richtlinie gilt, ob alle sie unterschrieben haben und ob das Training mit eigenen Eingaben deaktiviert ist.
Viertens, wer Ergebnisse freigibt, bevor sie in einen Abschluss oder an die Geschäftsführung gehen. Bei entscheidungsrelevanten Kennzahlen sollte immer ein Mensch validieren („human in the loop“).
Fünftens, wer die Kosten freigibt, bevor aus einer kleinen Kreditkartenzahlung eine große Budgetposition geworden ist.
Warum Finance sich besonders eignet
Finance ist aus sechs Gründen ein geeignetes Testfeld für KI. Vorhandene und genutzte Daten sind umfangreich vorhanden, strukturiert und historisch gewachsen, so dass KI-Modelle darin effizient Muster erkennen.
Viele tägliche Aufgaben sind repetitiv und regelbasiert, so dass deren Ersatz Zeit schafft für die Aufgaben, die Teammitgliedern Freude machen und das Unternehmen voranbringen.
Dies gelingt z. B., wenn Kennzahlen und Trends in Echtzeit ausgewertet werden und KI-generierte Prognosen und Szenarioanalysen Risiken früher aufzeigen: So können Unternehmen früher entscheidungsrelevante Daten sichten und mögliche Entscheidungen simulieren.
Der Einstieg in die KI-Nutzung gelingt mit einem kleinen, lästigen Prozess und einer klaren Richtlinie. Es lohnt sich, damit jetzt zu beginnen.
Bildcredits Flora von Heise-Rotenburg
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.
