Wenn KI die Zahlen macht: Was CFOs wirklich anders machen müssen

Ein mittelständischer europäischer Hersteller hat seinen Monatsabschluss 2025 von 12 auf 4 Tage verkürzt. Verantwortlich dafür war kein millionenschweres, mamaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßgeschneidertes Enterprise-System. Es war eine Kombination aus Microsoft Copilot, integriert in das bestehende ERP, und einer überschaubaren internen Data-Governance-Initiative, die 18 Monate zuvor angelaufen war. Der Kommentar des CFO im Nachgang war aufschlussreich: „Die KI war der einfache Teil. Den Kontenplan über alle Tochtergesellschaften hinweg konsistent zu bekommen, war der schwierige Teil.“

Dieser Kommentar trifft den Kern dessen, was im Digital Finance gerade passiert. Die Technologie reift schneller, als die meisten Finanzorganisationen darauf vorbereitet sind, und die Lücke ist in erster Linie keine Technologielücke.

Der Stand der KI in Finanzfunktionen 2026

Die Entwicklung ist in den vergangenen zwei Jahren deutlich geworden. Large Language Models, Predictive Analytics und Prozessautomatisierung haben sich von Experimenten der Finanzteams in produktive Umgebungen bei Unternehmen relevanter Größe bewegt. JPMorgan Chase betreibt seine Contract-Intelligence-Plattform COiN inzwischen seit mehreren Jahren und verarbeitet Dokumente in Sekunden, für die zuvor Tausende Stunden juristischer Prüfung nötig waren. BlackRocks Plattform Aladdin baut ihre KI-gestützten Risikomodelle für interne wie für Kundenportfolios weiter aus. Das sind keine Einzelfälle.

Was sich zuletzt stärker verändert hat, ist die Durchdringung der Finanzfunktionen im Mittelstand. Plattformen wie Oracle Fusion, SAP S/4HANA und Workday haben generative KI-Funktionen direkt in FP&A-Workflows, Abweichungsanalysen und Cash-Flow-Forecasting eingebettet. Ein Finanzteam, das 2026 KI-gestützte Szenariomodellierung will, muss nichts von Grund auf bauen. Es muss entscheiden, ob es nutzt, was die bestehenden Anbieter ohnehin schon anbieten.

Dieser letzte Punkt verdient genaueres Hinsehen. Von Anbietern berichtete Produktivitätsgewinne sollte man sorgfältig lesen. Wenn SAP oder Workday Zahlen veröffentlichen, die 40 % kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzere Reporting-Zyklen zeigen, sind das keine unabhängigen Prüfergebnisse. Sie stammen aus kuratierten Case Studies unter günstigen Bedingungen. Unabhängige Untersuchungen von Gartner und Accentures Institute for High Performance zeichnen ein nüchterneres Bild: Spürbare Produktivitätsgewinne sind real, konzentrieren sich aber auf Organisationen, die bereits in Datenqualität und Prozessstandardisierung investiert hatten, bevor KI obendrauf kam.

Die andere wesentliche Entwicklung ist agentische KI: Systeme, die nicht nur Fragen beantworten, sondern Aufgabenketten autonom ausführen. Im Finanzbereich betreffen frühe Deployments das Matching in der Kreditorenbuchhaltung, das Flagging von Anomalien in Spesenabrechnungen und das Treasury-Cash-PositioningPositioningThe mental space you want your brand to occupy in your target customer's mind relative to alternatives.Vollständige Definition ansehen →. Der Produktivitätsfall ist überzeugend. Der Kontroll- und Auditfall ist komplizierter.

Was das für den CFO bedeutet

Die Rolle des CFO verschiebt sich in eine bestimmte und unbequeme Richtung. Im vergangenen Jahrzehnt lautete die Geschichte, Finance vom Buchhalter zum strategischen Partner zu entwickeln. KI bewirkt jetzt etwas Disruptiveres: Sie komprimiert den Zeitaufwand für analytische Arbeit so weit, dass die Frage nicht mehr lautet „Wie bekommen wir die Analyse schneller fertig?“, sondern „Was machen wir eigentlich mit der frei gewordenen Zeit für Urteilsbildung?“

Das ist eine schwierigere Frage, als sie klingt, denn die meisten Finanzorganisationen sind nicht darauf ausgelegt, sie zu beantworten. Headcount-Reduktionen können folgen, aber der CFO, der nur mit Kostensenkung führt, verpasst die wichtigere Chance. Die Teams, die in den nächsten drei bis fünf Jahren am besten abschneiden, sind die, die analytische Kapazität auf Entscheidungen umlenken, die schon immer menschliches Urteilsvermögen erfordert haben, es aber selten bekamen. Akquisitionsmodelle mit echten Unsicherheitsbandbreiten. Debatten zur Kapitalallokation, die Zweitrundeneffekte berücksichtigen. Stresstests von Annahmen, für die vorher niemand Zeit hatte.

Hinzu kommt eine Kontrolldimension, die nicht optional ist. Wenn ein KI-System eine Cash-Flow-Anomalie flaggt oder eine Buchungskorrektur vorschlägt, wer verantwortet die Entscheidung? Finance-Verantwortliche, die agentische Tools ohne klare Protokolle für die menschliche Prüfung ausrollen, schaffen ein Audit-Risiko, das sie womöglich noch nicht vollständig sehen. Das PCAOB und mehrere europäische Regulierer haben begonnen, Leitlinien zu KI-gestützten Prüfprozessen zu veröffentlichen, und die Richtung geht dahin, dokumentierte menschliche Aufsicht an definierten Entscheidungspunkten zu verlangen: kein pauschales Verbot, sondern Nachvollziehbarkeit.

Talent ist der dritte Druckpunkt. Der Finanzprofi, der 2028 am wertvollsten sein wird, ist nicht derjenige, der in zwei Stunden ein Drei-Abschluss-Modell in Excel von Grund auf bauen kann. Diese Fähigkeit wird Grundvoraussetzung oder überholt sein. Das wertvolle Profil ist jemand, der KI-Outputs kritisch interpretieren kann, erkennt, wo die Annahmen des Modells nicht zum Geschäftskontext passen, und Unsicherheit gegenüber Stakeholdern außerhalb von Finance klar kommuniziert. CFOs, die diese Fähigkeit nicht gezielt in ihren Teams aufbauen, bauen eine fragile Funktion.

Praktische Prioritäten für CFOs

• Prüfen Sie Ihre Dateninfrastruktur, bevor Sie das KI-Tooling ausweiten. Der häufigste Grund, warum KI-Deployments im Finanzbereich hinter den Erwartungen bleiben, ist nicht der Algorithmus, sondern uneinheitliche Datendefinitionen über Systeme hinweg. Bringen Sie zuerst die Grundlagen in Ordnung.
• Legen Sie eine klare Policy dafür fest, welche KI-generierten Outputs in die Finanzbücher eingehen. Das heißt: entscheiden, welche Outputs eine menschliche Freigabe brauchen, ab welcher Wesentlichkeitsschwelle und durch wen. Schreiben Sie es auf, bevor Sie es brauchen.
• Fragen Sie Ihren Big-Four-Prüfer nach dessen eigenem KI-Ansatz. Firmen wie Deloitte und EY setzen KI in Prüfungshandlungen stark ein. Zu verstehen, wie sich das auf Ihren Audit Trail, die Stichprobenmethodik und die Dokumentationsanforderungen auswirkt, gehört inzwischen zum Management der Prüferbeziehung.
• Unterscheiden Sie zwischen KI, die Entscheidungen unterstützt, und KI, die Entscheidungen trifft. Ersteres ist weitgehend ein Produktivitätswerkzeug. Letzteres verlangt eine Governance-Architektur. Viele Finanzteams betreiben den zweiten Typ und reden sich ein, es sei der erste.
• Erstellen Sie vor 2027 mindestens eine interne Case Study. Ein echtes, dokumentiertes Beispiel, in dem KI ein finanzielles Ergebnis verändert hat, mit konkreten Angaben dazu, was funktioniert hat und was nicht, verschafft Ihnen Glaubwürdigkeit im Board und eine Lernbasis für das nächste Deployment.

Der CFO mit dem größten Einfluss in den nächsten fünf Jahren ist nicht der mit dem ausgefeiltesten KI-Stack. Es ist der, dessen Organisation zugetraut wird, Finanzinformationen zu liefern, denen Boards und Investoren glauben. KI macht Geschwindigkeit einfacher. Vertrauenswürdigkeit erzeugt sie nicht automatisch. Dieser Teil bleibt eine menschliche Verantwortung, und zwar konkret die des CFO.