{"id":127910,"date":"2026-10-13T09:40:07","date_gmt":"2026-10-13T07:40:07","guid":{"rendered":"https:\/\/startupvalley.news\/de\/?p=127910"},"modified":"2026-10-13T09:40:09","modified_gmt":"2026-10-13T07:40:09","slug":"finance-finanzfunktion-monatsabschluss","status":"publish","type":"post","link":"https:\/\/startupvalley.news\/de\/finance-finanzfunktion-monatsabschluss\/","title":{"rendered":"Was KI im Finance-Team wirklich spart, und was nicht"},"content":{"rendered":"\n

Generative KI in der Finanzfunktion: Erfahrungen aus der Praxis<\/h1>\n\n\n\n

Generative KI hat die Finanzfunktion innerhalb weniger Jahre erreicht. Nach dem Top CFO Tools Report 2026 von CFO Connect<\/a> (215 befragte Finanzverantwortliche, Sommer 2026) nutzen 67 Prozent der Finance-Teams mindestens ein KI-Werkzeug. 2023 waren es 13 Prozent.<\/p>\n\n\n\n

Die Literatur dazu stammt \u00fcberwiegend von Anbietern und aus der Regulierung. Dieser Beitrag erg\u00e4nzt 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 dar\u00fcber berichtet<\/a>. Seitdem hat sich nat\u00fcrlich viel ge\u00e4ndert. Einige Anwendungen wurden ausgebaut, andere zur\u00fcckgebaut, die Modelle mehrfach ausgetauscht.<\/p>\n\n\n\n

Auswahl des ersten Prozesses<\/h3>\n\n\n\n

Den Anfang machte im Januar 2023, rund zwei Monate nach der Einf\u00fchrung von ChatGPT, der Lagebericht. Jedes Jahr m\u00fcssen 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.<\/p>\n\n\n\n

Drei Kriterien sprachen f\u00fcr diesen Prozess. Er wiederholt sich j\u00e4hrlich. Er st\u00fctzt sich auf \u00f6ffentliche Quellen. Und er war im Team unbeliebt. Das letzte Kriterium erwies sich als wichtig: Der erste Anwendungsfall sollte ein Problem l\u00f6sen, das die Beteiligten ohnehin belastet. Der Entwurf entsteht seitdem in Minuten und wird von einem Menschen gepr\u00fcft. Das Werkzeug wurde 2025 gewechselt, der Prozess blieb unver\u00e4ndert.<\/p>\n\n\n\n

KI als Kontrollschicht<\/h3>\n\n\n\n

Als zweite Anwendung folgte die Kontrolle des Monatsabschlusses. Die KI vergleicht die Ist-Zahlen mit Budget und aktuellem Forecast, markiert Abweichungen und Ausrei\u00dfer und nennt m\u00f6gliche Treiber. Sie dient als Plausibilit\u00e4tsprobe, die abschlie\u00dfende Freigabe bleibt beim Menschen.<\/p>\n\n\n\n

Das spart je nach Zahl der Abweichungen und hierdurch notwendigen Follow-ups ein bis zwei Arbeitstage (interne Sch\u00e4tzung). Die Analyse deckt h\u00e4ufig implizite Inkonsistenzen auf, die im Team als \u201emachen wir immer so\u201c gelten und neuen Teammitgliedern nicht bekannt sind.<\/p>\n\n\n\n

Die Ergebnisse bereitet sie adressatengerecht auf: f\u00fcr das C-Level mit Blick auf Ma\u00dfnahmen, f\u00fcr Gesellschafter auf Langzeiteffekte, f\u00fcr Banken auf Covenants und Sicherheiten.<\/p>\n\n\n\n

Grenzen des Zeitgewinns<\/h3>\n\n\n\n

Erstens: das Rechnen. Sprachmodelle arbeiten probabilistisch, daher kann dieselbe Frage zu leicht unterschiedlichen Antworten f\u00fchren. Bei Zahlen ist das kritisch, weil der Kontext die Interpretation verschiebt: In Versionsnummern steht 9,11 hinter 9,9. Wer Berechnungen dem Modell \u00fcberl\u00e4sst, muss sie vollst\u00e4ndig nachpr\u00fcfen. Besser strukturiert das Modell, gerechnet wird in einem nachpr\u00fcfbaren Werkzeug wie Excel.<\/p>\n\n\n\n

Zweitens: die Kosten. Anbieter rechnen in drei Bereichen ab: Lizenz je Person, Mehrverbrauch und API-Nutzung. Ohne bekannte und \u00fcberwachte Abrechnungsgrundlagen k\u00f6nnen die Kosten stark steigen.<\/p>\n\n\n\n

Das Team hat deshalb ein eigenes Dashboard gebaut, das Aufw\u00e4nde 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.<\/p>\n\n\n\n

Was wieder abgeschaltet wurde<\/h3>\n\n\n\n

Das Unternehmen hat bisher rund 120 eigene Anwendungen gebaut, etwa 20 davon im Finanzbereich. Nicht alle blieben im Einsatz.<\/p>\n\n\n\n

Ein Beispiel ist eine Anwendung f\u00fcr Ausk\u00fcnfte 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 f\u00fcr ein externes Werkzeug, auch k\u00fcnftig, sobald die Anwendung nach Ver\u00f6ffentlichung des Gesetzes angepasst ist.<\/p>\n\n\n\n

Das Projekt zeigte zugleich die Zusammenarbeit von Compliance, Datenschutz und IT-Security, da dort hochsensible Personendaten verarbeitet wurden.<\/p>\n\n\n\n

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 Pr\u00fcfungen, steigerte aber zugleich die Output-Qualit\u00e4t und direkte Nutzbarkeit betr\u00e4chtlich.<\/p>\n\n\n\n

Governance-Fragen vor dem Start<\/h3>\n\n\n\n

F\u00fcnf Punkte sollten vor dem Einsatz gekl\u00e4rt sein.<\/p>\n\n\n\n

Erstens, wer welches Werkzeug nutzen darf, alle oder zun\u00e4chst eine Testgruppe, und unter welchen Bedingungen, etwa nur mit EU-Hosting und Auftragsverarbeitungsvertrag.<\/p>\n\n\n\n

Zweitens, welche Daten je nach Nutzungsform ausgeschlossen sind, etwa personenbezogene Daten und unver\u00f6ffentlichte Finanzzahlen.<\/p>\n\n\n\n

Drittens, welche KI-Richtlinie gilt, ob alle sie unterschrieben haben und ob das Training mit eigenen Eingaben deaktiviert ist.<\/p>\n\n\n\n

Viertens, wer Ergebnisse freigibt, bevor sie in einen Abschluss oder an die Gesch\u00e4ftsf\u00fchrung gehen. Bei entscheidungsrelevanten Kennzahlen sollte immer ein Mensch validieren (\u201ehuman in the loop\u201c).<\/p>\n\n\n\n

F\u00fcnftens, wer die Kosten freigibt, bevor aus einer kleinen Kreditkartenzahlung eine gro\u00dfe Budgetposition geworden ist.<\/p>\n\n\n\n

Warum Finance sich besonders eignet<\/h3>\n\n\n\n

Finance ist aus sechs Gr\u00fcnden ein geeignetes Testfeld f\u00fcr KI. Vorhandene und genutzte Daten sind umfangreich vorhanden, strukturiert und historisch gewachsen, so dass KI-Modelle darin effizient Muster erkennen.<\/p>\n\n\n\n

Viele t\u00e4gliche Aufgaben sind repetitiv und regelbasiert, so dass deren Ersatz Zeit schafft f\u00fcr die Aufgaben, die Teammitgliedern Freude machen und das Unternehmen voranbringen.<\/p>\n\n\n\n

Dies gelingt z. B., wenn Kennzahlen und Trends in Echtzeit ausgewertet werden und KI-generierte Prognosen und Szenarioanalysen Risiken fr\u00fcher aufzeigen: So k\u00f6nnen Unternehmen fr\u00fcher entscheidungsrelevante Daten sichten und m\u00f6gliche Entscheidungen simulieren.<\/p>\n\n\n\n

Der Einstieg in die KI-Nutzung gelingt mit einem kleinen, l\u00e4stigen Prozess und einer klaren Richtlinie. Es lohnt sich, damit jetzt zu beginnen.<\/p>\n\n\n\n

Bildcredits Flora von Heise-Rotenburg<\/p>\n\n\n\n

Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.<\/p>\n\n\n\n