Wenn die KI den Forecast schreibt: Was CFOs wissen müssen, bevor sie dem Output vertrauen

Eine mittelgroße europäische Industriegruppe hat ihren Jahresbudgetzyklus kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzlich in elf Tagen abgeschlossen. Im Vorjahr dauerte derselbe Prozess sechs Wochen, umfasste vierzehn Konsolidierungsrunden und brachte am Ende einen Forecast, der den Q3-Umsatz um acht Prozent verfehlte. Der Unterschied 2026 war kein neues Team und kein umgebauter Prozess. Es war ein KI-gestützter FP&A-Layer auf dem bestehenden ERP, trainiert auf vier Jahren Actuals und angebunden an externe Makrosignale. Elf Tage. Der CFO gab schneller frei und, wie sich zeigte, präziser.

Solche Ergebnisse sind keine Ausnahme mehr. Sie werden zur Grundannahme in Unternehmen, die in den vergangenen drei Jahren ernsthaft in Finance-Automatisierung investiert haben. Der Druck auf CFOs, die noch nicht losgelaufen sind, ist real und nimmt zu.

Der Stand von KI im Finanzbereich 2026

Die Adoptionskurve von KI im Corporate Finance folgt einem bekannten Muster: erste Experimente in der Automatisierung der Kreditorenbuchhaltung, dann Cash-Flow-Forecasting, dann breitere FP&A-Anwendungen und nun zunehmend Szenariomodellierung, die direkt an die strategische Planung gekoppelt ist. Was sich 2025 und 2026 verschoben hat: Large Language Models wurden für unstrukturierte Finanzarbeit wirklich nützlich, nicht nur für die Verarbeitung strukturierter Daten.

Tools wie Microsoft Copilot for Finance, eingebettet in Excel und Dynamics, erlauben Analysten inzwischen, Abweichungserklärungen in natürlicher Sprache abzufragen, Narrative für das Board-Reporting automatisch zu entwerfen und statistische AusreißererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → über konsolidierte Datensätze hinweg zu markieren. Oracle und SAP haben beide generative KI in ihre Finance Clouds integriert, wobei anzumerken ist, dass Leistungsversprechen dieser Anbieter besser an unabhängigen Assessments gemessen werden sollten, statt sie aus dem eigenen Marketingmaterial für gegeben zu nehmen.

Gartner schätzte in einer Ende 2024 veröffentlichten und weiterhin viel zitierten Untersuchung, dass 2026 über 50 Prozent der großen Unternehmen KI für mindestens einen Kernprozess im Finanzbereich einsetzen würden. Diese Schwelle scheint überschritten, auch wenn „KI einsetzen“ eine enorme Bandbreite abdeckt, von einem einfachen Anomalie-Alert im Treasury-System bis zum vollständig autonomen Abschlussprozess.

Aussagekräftiger ist die Trennlinie zwischen Unternehmen, die KI als Produktivitätsschicht über bestehende Workflows legen, und solchen, die Finanzprozesse von Grund auf um KI herum neu bauen. Die zweite Gruppe ist kleiner, bewegt sich aber schneller und holt überproportionale Effizienzgewinne heraus.

Wo die Modelle am schwächsten sind

Die Failure Modes zählen mehr als die Erfolgsgeschichten, und CFOs müssen sie konkret benennen können. KI-Forecastmodelle reagieren sehr empfindlich auf Regimewechsel: M&A-Aktivitäten, plötzliche Verschiebungen in der Kundenkonzentration, neue Regulierungsrahmen oder makroökonomische BrBrDer Anteil der Besucher, die nach nur einer angesehenen Seite wieder abspringen, häufig ein Signal für mangelnde Relevanz, verfehlte Suchintention oder schwache User Experience.Vollständige Definition ansehen →üche, für die es in den Trainingsdaten kein Vorbild gibt. Ein Modell, das auf Daten von 2020 bis 2024 trainiert wurde, kam mit der Volatilität der Pandemiezeit klar, hatte aber Mühe mit den Normalisierungsmustern der Lieferketten 2023. Modelle, die auf diesem Zeitraum trainiert sind, werden nun von geopolitischer Fragmentierung und der Neubewertung von Rohstoffen getestet.

Dazu kommt die Governance-Lücke. Die meisten KI-Finanztools, die heute im Produktivbetrieb laufen, wurden von IT- und Finance-Operations-Teams freigegeben und nicht derselben Prüfung unterworfen, die etwa für eine wesentliche Änderung der Bilanzierungsmethoden gelten würde. Das Modell trifft Wesentlichkeitsurteile. Es beeinflusst, wie das Unternehmen seine eigene Performance liest. Das gehört auf die Board-Ebene, und in den meisten Unternehmen ist es dort noch nicht angekommen.

Was das für den CFO bedeutet

Die Aufgabe des CFO ist nicht, KI-Experte zu werden. Sie besteht darin, gute Entscheidungen darüber zu treffen, wo KI mit folgenreichen Outputs betraut werden darf und wo nicht, und die Governance-Struktur zu bauen, die diese Unterscheidung für die Organisation nachvollziehbar macht.

Ein paar Punkte verlangen jetzt Aufmerksamkeit.

Erstens: Modelltransparenz. Bevor ein KI-Forecasting-Tool in einen Planungsprozess eingebettet wird, braucht der CFO klare Antworten dazu, mit welchen Daten das Modell trainiert wurde, wie häufig es nachtrainiert wird, wie hoch die Fehlerquoten out-of-sample sind und unter welchen Bedingungen der Anbieter oder das interne Team melden würde, dass die Annahmen des Modells nicht mehr tragen. Anbieter liefern diese Informationen selten von sich aus, also müssen Finance-Verantwortliche sie direkt einfordern und die Antworten dokumentieren.

Zweitens: die Verantwortungsarchitektur. Wenn ein KI-generierter Forecast sich als wesentlich falsch erweist, muss das jemand verantworten. In den meisten Unternehmen ist diese Verantwortung heute diffus: Das FP&A-Team verweist auf das Modell, der Modellanbieter auf die Datenqualität, und die Business Unit sagt, sie habe das Thema in einem Meeting angesprochen. Der CFO muss vorab festlegen, wer KI-Outputs prüft, bevor sie zu Commitments werden, welcher manuelle Override-Prozess existiert und welche Dokumentation die Entscheidung stützt.

Drittens: die Kompetenzfrage, die drängender ist, als sie wirkt. Finance-Teams, die sich gut auf KI einstellen, sind nicht zwangsläufig die mit dem stärksten technischen Hintergrund. Es sind die mit gutem Geschäftsurteil, genug statistischer Literacy, um Modelloutputs zu hinterfragen, und dem Selbstvertrauen, eine verdächtig aussehende Zahl zurückzuweisen, auch wenn das Modell sich sicher ist. Diese Kombination ist schwer einzustellen und noch schwerer über Trainings aufzubauen, aber sie ist die eigentliche Talentlücke.

Schließlich verdient die Controlling-Funktion besondere Aufmerksamkeit. KI kann den Abschluss verkürzen, Abstimmungen automatisieren und Ausnahmen schneller markieren als jedes menschliche Team. Sie kann aber auch Fehler einbringen, die still durch vernetzte Systeme laufen, bevor sie jemand bemerkt. Controller sind 2026 für Audit Trails automatisierter Prozesse verantwortlich, über die ihre Vorgänger nie nachdenken mussten.

Vor dem nächsten Planungszyklus

• Erfassen Sie, welche KI-Tools derzeit Finance-Outputs berühren, einschließlich derer, die außerhalb eines formalen Finance-Transformationsprogramms eingeführt wurden. Shadow-AI-Nutzung im FP&A ist verbreiteter, als die meisten CFOs annehmen.
• Legen Sie einen Mindeststandard für die Offenlegung fest: Jede KI-generierte Zahl, die dem Board oder dem Exec Committee vorgelegt wird, sollte als solche gekennzeichnet sein, mit dem zugrunde liegenden Konfidenzintervall und den bekannten Einschränkungen daneben.
• Führen Sie mindestens einmal pro Jahr einen strukturierten Stresstest durch, bei dem der KI-Forecast gegen ein von Menschen erstelltes Bottom-up-Modell gehalten wird. Die Lücke zwischen beiden ist aussagekräftiger als jede der Zahlen allein.
• Holen Sie die externen Prüfer früh dazu. Mehrere der Big Four haben Frameworks für die Prüfung KI-gestützter Financial-Reporting-Prozesse veröffentlicht. Diese Frameworks existieren, weil die Prüfer wissen, was auf sie zukommt.

Der CFO, der KI-Forecasting als IT-Entscheidung behandelt, wird irgendwann eine Planabweichung erklären müssen, die ein besser gesteuerter Prozess abgefangen hätte. Die Tools sind wirklich nützlich. Die Governance darum herum ist in den meisten Unternehmen noch im Rückstand.