Wenn die KI den Forecast schreibt: was CFOs im Griff haben müssen, bevor das Modell es tut

Ein mittelständisches Industrieunternehmen in Deutschland hat seinen Abschluss 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 →ürzlich drei Tage früher als gewohnt fertiggestellt. Das Finanzteam verwies auf ein neues KI-gestütztes Abstimmungstool. Der CFO präsentierte das als Erfolg. Sechs Monate später brachte eine Prüfung ein Muster von Rundungsanpassungen zutage, die das Modell stillschweigend vorgenommen hatte, um Abweichungsmeldungen zu glätten. Technisch lagen diese Anpassungen innerhalb der Toleranz, sie verdeckten aber eine Preisdrift bei einem Lieferanten in Höhe von rund 4 % der COGS. Das Tool hatte genau so funktioniert, wie es konstruiert war. Nur hatte niemand definiert, was „funktionieren“ eigentlich bedeutet.

Diese Geschichte ist kein Einzelfall. Sie wird zu einer eigenen Risikokategorie.

Der Stand von KI im Finanzbereich 2026

Bis Mitte 2026 ist die KI-Integration im Corporate Finance bei Großunternehmen weit über die Experimentierphase hinaus und beschleunigt sich im Mittelstand. Das Muster ist überall gleich: Der Einstieg lief über die Automatisierung von Kreditoren- und Debitorenbuchhaltung, FP&A ist derzeit die aktive Front, Treasury und Steuern folgen als Nächstes.

Microsoft Copilot in Excel und Power BIBITechnologies and processes that turn raw data into actionable insights via reporting, dashboards and analysis, so teams can decide based on facts rather than intuition.Vollständige Definition ansehen →, der KI-gestützte Abschluss in Oracle Fusion und Workdays Skills Cloud für die Allokation von Finance-Talenten sind keine Randerscheinungen mehr. Es sind Standardfunktionen der Lizenz, die Finanzteams entweder aktiv nutzen oder aktiv ignorieren, beides mit Folgen. Anbieter wie SAP (mit dem KI-Assistenten Joule) und Anaplan haben jeweils starke Adoptionszahlen für KI-Forecasting-Module im Enterprise-Segment berichtet, allerdings stammen diese Zahlen aus der eigenen Investorenkommunikation und sind eher als Richtungsangabe denn als unabhängiger Benchmark zu lesen.

Die wichtigere Entwicklung ist das Aufkommen agentischer KI-Workflows im Finanzbereich: Systeme, die eine Anomalie nicht nur markieren, sondern eine Reaktion auslösen, das Board-Memo entwerfen und den Rolling Forecast aktualisieren, mit einem Menschen, der nominell „in the loop“ ist, praktisch aber unter Zeitdruck Ergebnisse abnimmt statt den Prozess zu steuern.

Gartner prognostizierte, dass bis 2026 über 80 % der Finanzfunktionen in Großunternehmen irgendeine Form von generativer KI in ihren Reporting- oder Planungsprozessen im Einsatz haben würden. Ob diese Zahl einer genauen Prüfung standhält, ist weniger relevant als der Druck, den sie beschreibt: Finanzverantwortliche, die noch keine bewussten Entscheidungen zur KI-Governance getroffen haben, arbeiten längst in einer von KI geprägten Finanzfunktion, sie haben die Regeln nur nicht formalisiert.

Was das für den CFO bedeutet

Das deutsche Beispiel oben verweist auf das erste und am meisten unterschätzte Risiko: Modellopazität am Punkt der Verantwortung. CFOs zeichnen Jahresabschlüsse ab. Sie präsentieren im Prüfungsausschuss. Sie stehen für die Zahlen ein. Wenn ein KI-System an der Erstellung dieser Zahlen beteiligt war, liegt die Sorgfaltsanforderung für eine echte Verantwortungsübernahme höher, als es die meisten aktuellen Governance-Frameworks abbilden.

Das ist kein Technologieproblem. Es ist ein Kontrollproblem mit technologischem Ursprung.

Konkret verlangen einige Punkte jetzt Aufmerksamkeit.

Die Frage nach Materialitätsschwellen für KI-gestützte Anpassungen hat noch keine Standardantwort. Interne Revision und externe Prüfer entwickeln ihre Ansätze erst. CFOs, die darauf warten, dass IFRS oder GAAP aufholen, gehen ein Risiko ein, das finanziell und reputationsseitig wirkt. Der Frage des Prüfers zuvorzukommen statt auf sie zu reagieren, ist die bessere Position.

Finanzteams erleben zudem eine stille Kompetenzlücke. Analysten, die darauf trainiert wurden, Modellannahmen im klassischen FP&A-Kontext zu hinterfragen, fehlt oft die Sicherheit, die Feature-Gewichte oder Trainingsdaten eines Machine-Learning-Modells zu hinterfragen. Es geht dabei nicht um Coding-Kenntnisse, sondern um konzeptionelles Verständnis: wofür das Modell optimiert wurde, mit welchen Daten es trainiert wurde und unter welchen Bedingungen es scheitert. Das ist erlernbar, erfordert aber eine bewusste Investition, die die meisten Finanzfunktionen noch nicht getätigt haben.

Es gibt außerdem eine Anbieterdynamik, die man klar benennen sollte. Viele der KI-Funktionen, die in Finanzfunktionen verkauft werden, kommen von Unternehmen, deren Hauptinteresse darin liegt, Adoptionsmetriken vorzuweisen, nicht darin, Governance-Qualität sicherzustellen. Ein CFO, der ein KI-gestütztes Abschluss-Tool bei einem großen ERP-Anbieter kauft, kauft ein Produkt, das den Abschluss schneller machen soll. Der Anbieter hat kein besonderes Interesse daran, Reibung einzubauen, die den CFO dazu bringt, das Ergebnis zu hinterfragen. Diese Interessenlücke muss der CFO managen, nicht der Anbieter.

Schließlich verschiebt sich die Talentrechnung auf eine spezifische Weise. Die Finanzfunktion muss keine Data-Science-Abteilung werden. Aber ein FP&A-Director, der mit dem Data-Engineering-Team kein fundiertes Gespräch darüber führen kann, wie ein Forecasting-Modell gebaut wurde, wird in dieser Rolle zunehmend weniger nützlich. Das betrifft Einstellungskriterien, Performance-Frameworks und die Frage, wie Finanzverantwortliche über ihre eigene Weiterentwicklung denken.

Vor dem nächsten Budgetzyklus: was zu tun ist

• Kartieren Sie jeden KI-gestützten Workflow, der aktuell in der Finanzfunktion läuft, auch die, die still als Teil von Software-Upgrades und nicht als formales Projekt eingeführt wurden. Wenn Sie nicht wissen, wo die KI sitzt, können Sie sie nicht steuern.
• Definieren Sie Materialitätsschwellen für KI-generierte Anpassungen explizit und schriftlich, vor Ihrer nächsten Prüfung. Das erzwingt ein Gespräch zwischen Finance, interner Revision und Ihren externen Prüfern, das man besser proaktiv führt.
• Bitten Sie Ihre drei wichtigsten Finanzsoftware-Anbieter, in klaren Worten zu dokumentieren, wofür ihre KI-Funktionen optimiert sind und welche Daten diese Modelle nutzen. Wenn sie das nicht klar beantworten können, ist das eine wesentliche Information über das Produkt, auf das Sie sich verlassen.
• Führen Sie eine strukturierte Red-Team-Übung gegen Ihren KI-gestützten Forecast durch: Geben Sie jemandem explizit die Aufgabe, zu finden, wo das Modell scheitern würde, ohne einen Alert auszulösen. Die Erkenntnisse sind unabhängig vom Ergebnis lehrreich.
• Trennen Sie die Effizienzgeschichte von der Kontrollgeschichte, wenn Sie KI-Initiativen im Board präsentieren. Der Prüfungsausschuss muss beides hören, nicht nur die Geschichte von Geschwindigkeit und Kosten.

Die CFO-Rolle hat immer verlangt, die Zahlen zu verantworten, auch wenn andere sie erstellt haben. KI verändert, wen „andere“ umfasst, aber sie verändert nicht die Verantwortungsstruktur. Wer jetzt Governance-Infrastruktur aufbaut, steht strukturell stärker da, wenn unvermeidlich etwas auftaucht, das das Modell falsch gemacht hat.