KI im Finance braucht einen belastbaren Testraum

KI im Finance ist kein reines Technologiethema

Mit neuen Funktionen in SAP S/4HANA Cloud Public Edition, etwa einem Agenten für das Clearing von Forderungen und Verbindlichkeiten, wird sichtbar, wohin sich Finance-Prozesse entwickeln. Systeme analysieren offene Posten, schlagen Ausgleiche vor und liefern Begründungen. Genau dort liegt in vielen Finanzabteilungen jeden Monat erhebliche manuelle Arbeit: Klärfälle, Zahlungsdifferenzen, offene Rechnungen, uneindeutige Zuordnungen und Rückfragen zwischen Buchhaltung, Vertrieb, Einkauf und Fachbereichen.

Die naheliegende Reaktion wäre, solche Funktionen frühzeitig strukturiert zu testen. In der Praxis geschieht jedoch häufig das Gegenteil. Die Technologie ist verfügbar oder absehbar verfügbar, die Anwendungsfälle sind nachvollziehbar, der wirtschaftliche Nutzen erscheint plausibel. Trotzdem bleibt die Organisation stehen. Nicht zwingend aus Ablehnung, sondern weil jede Funktion auf die nächste wartet. Datenschutz, IT-Sicherheit, Betriebsrat, Finance, Revision und Vorstand haben jeweils berechtigte Anforderungen. Ohne klare Führungsentscheidung werden daraus jedoch keine Leitplanken, sondern Warteschleifen.

Für CFOs und Finance-Verantwortliche ist das ein wichtiger Punkt. KI im Finance darf nicht als isoliertes Toolprojekt behandelt werden. Sie berührt Abschlussqualität, interne Kontrollen, Rollenmodelle, Datenqualität und Entscheidungsverantwortung. Gerade deshalb braucht sie keine unkontrollierten Experimente, aber auch keine monatelange Grundsatzdebatte ohne Praxiserfahrung. Entscheidend ist ein professionell abgegrenzter Testraum.

Warum viele Unternehmen nicht an KI, sondern an Grundlagen scheitern

In Finance-Projekten zeigt sich regelmäßig: Das sichtbare Problem liegt im Reporting oder im System, die Ursache aber häufig in der Prozess- und Datenlogik. Beim automatisierten Clearing wird das besonders deutlich. Ein KI-gestützter Vorschlag kann nur so gut sein wie die zugrunde liegenden Regeln, Stammdaten, Buchungstexte und Prozessdisziplin.

Wenn Kundennummern uneinheitlich gepflegt sind, Zahlungsavise fehlen, Toleranzgrenzen nicht abgestimmt wurden oder Sonderfälle regelmäßig außerhalb des Standards bearbeitet werden, entsteht keine belastbare Automatisierung. Das System erkennt Muster, aber die Organisation hat vorher nicht sauber definiert, welche Muster fachlich erwünscht sind. Dann wird KI schnell zum Verstärker bestehender Unschärfen.

Auch die S/4HANA-Einführung selbst ist in vielen Unternehmen noch nicht vollständig verarbeitet. Prozesse wurden technisch migriert, aber fachlich nicht immer neu geordnet. Alte Excel-Brücken bestehen fort, Workarounds wurden in die neue Welt übertragen, und manche Stammdatenprobleme sind lediglich sichtbarer geworden. Wenn ein Finance-Team in dieser Situation zusätzlich KI-Funktionen einführen soll, fehlt es selten am Willen. Es fehlt an einer stabilen Grundlage.

Das bedeutet nicht, dass Unternehmen zuerst einen idealen Zustand herstellen müssen. Den gibt es in der Praxis kaum. Es bedeutet aber, dass ein Test nicht nur die Funktionalität der KI prüfen darf. Er muss zugleich offenlegen, welche Prozesslücken, Datenprobleme und Governance-Fragen einer produktiven Nutzung im Weg stehen. Ein guter Test liefert daher nicht nur ein technisches Ergebnis, sondern eine Entscheidungsgrundlage für Finance, IT und Management.

Der Testraum muss fachlich und organisatorisch sauber begrenzt sein

Ein belastbarer KI-Test im Finance beginnt mit einer einfachen Frage: Welcher Prozessabschnitt soll geprüft werden, und was bleibt ausdrücklich außerhalb des Tests? Beim Clearing offener Posten kann das zum Beispiel ein definierter Buchungskreis, eine bestimmte Debitorengruppe, ein abgegrenzter Zeitraum oder eine Kategorie wiederkehrender Geschäftsvorfälle sein. Je klarer der Zuschnitt, desto besser lassen sich Ergebnisse beurteilen.

Ebenso wichtig sind Rollen und Verantwortlichkeiten. Finance muss definieren, welche Vorschläge fachlich akzeptabel sind. IT muss den technischen Rahmen, Berechtigungen und Systemzugriffe klären. Datenschutz und Arbeitnehmervertretung benötigen Transparenz darüber, welche Daten genutzt werden, welche Auswertungen stattfinden und welche personenbezogenen Bezüge ausgeschlossen oder begrenzt werden. Die interne Revision oder Compliance-Funktion sollte frühzeitig einbezogen werden, wenn spätere Abschluss- oder Kontrollrelevanz absehbar ist.

Ein Test braucht außerdem Abbruch- und Eskalationskriterien. Das klingt formaler, als es ist. Gemeint sind praktische Leitplanken: Wann gilt ein Vorschlag als nicht verwendbar? Welche Fehlerarten sind kritisch? Welche Fälle müssen manuell geprüft werden? Welche Entscheidungen darf das System nur vorbereiten, aber nicht ausführen? Und ab welchem Punkt wird der Test erweitert, gestoppt oder neu aufgesetzt?

Gerade im Finance ist diese Unterscheidung entscheidend. Es geht nicht darum, menschliche Verantwortung an ein System abzugeben. Es geht darum, wiederkehrende Muster schneller zu erkennen, Vorschläge nachvollziehbar zu machen und Fachkräfte von Routinetätigkeiten zu entlasten. Die Verantwortung für Freigabe, Buchung, Abschluss und Kontrollsystem bleibt organisatorisch zugeordnet. Wer diese Zuordnung nicht klärt, erzeugt Unsicherheit. Wer sie sauber definiert, schafft Handlungsfähigkeit.

Governance darf Geschwindigkeit ermöglichen, nicht verhindern

In vielen Unternehmen wird Sorgfalt mit Verzögerung verwechselt. Natürlich müssen Datenschutz, IT-Sicherheit, Betriebsrat und Compliance ernst genommen werden. Gerade bei KI ist ein unkontrollierter Einsatz riskant. Aber ein dauerhaftes Warten auf vollständige Sicherheit führt ebenfalls zu Risiken. Unternehmen sammeln keine Erfahrung, Fachbereiche entwickeln Schattenlösungen, und Entscheidungen werden auf eine spätere Phase verschoben, in der der Handlungsdruck größer ist.

Gute Governance bedeutet deshalb nicht, jeden Test zu verhindern. Gute Governance schafft einen Rahmen, in dem kontrolliert gelernt werden kann. Dazu gehören klare Datenabgrenzung, dokumentierte Zielsetzung, definierte Nutzergruppen, transparente Auswertung und eine nachvollziehbare Entscheidung darüber, was nach dem Test geschieht. So entsteht kein Freifahrtschein für Technologie, sondern ein prüfbarer Prozess.

Aus CFO-Sicht ist das besonders relevant, weil Finance-Prozesse eine hohe Außenwirkung haben. Fehler im Abschluss, in der Liquiditätssteuerung oder in der Forderungsbewertung sind nicht nur operative Unschärfen. Sie betreffen Managemententscheidungen, Berichtspflichten und Vertrauen in Zahlen. Deshalb muss Finance bei KI-Initiativen eine aktive Steuerungsrolle übernehmen. Wer nur auf IT oder zentrale Digitalteams wartet, wird fachliche Anforderungen zu spät einbringen.

Das gilt auch für den Vorstand. Wenn jede Funktion auf eine Garantie wartet, die niemand seriös geben kann, entsteht Stillstand. Managementverantwortung besteht darin, Unsicherheit nicht zu ignorieren, sondern sie in entscheidbare Schritte zu übersetzen. Ein begrenzter Test mit klaren Regeln ist dafür oft besser geeignet als ein weiterer allgemeiner Workshop.

Vom Test zur belastbaren Finance-Transformation

Der Nutzen eines KI-Tests liegt nicht allein in der Frage, ob ein einzelnes Tool funktioniert. Der eigentliche Wert entsteht, wenn das Unternehmen besser versteht, wie reif seine Finance-Prozesse tatsächlich sind. Wo sind Stammdaten belastbar? Wo fehlen Toleranzregeln? Wo entstehen manuelle Nacharbeiten? Welche Ausnahmen sind fachlich notwendig, und welche sind nur historisch gewachsen?

Damit wird KI zu einem Prüfstein für die Finance-Transformation. Ein Unternehmen, das keinen begrenzten Test freigegeben bekommt, wird später Schwierigkeiten haben, KI-Vorschläge im Abschlussprozess belastbar zu verantworten. Umgekehrt kann ein sauberer Testraum helfen, die richtigen Folgeentscheidungen zu treffen: Prozessregeln schärfen, Stammdaten bereinigen, Kontrollen anpassen, Verantwortlichkeiten dokumentieren und Automatisierung schrittweise ausweiten.

Für CFOs bedeutet das: Der Einstieg sollte weder technologiegetrieben noch angstgetrieben erfolgen. Entscheidend ist ein pragmatischer Steuerungsansatz. Zuerst wird ein relevanter, begrenzter Anwendungsfall ausgewählt. Dann werden Daten, Rollen, Kontrollpunkte und Entscheidungskriterien definiert. Anschließend wird getestet, ausgewertet und entschieden. Diese Reihenfolge klingt unspektakulär, ist aber in vielen Organisationen genau der fehlende Schritt zwischen Diskussion und Umsetzung.

SAP S/4HANA und KI werden Finance nicht automatisch verbessern. Sie können aber sichtbar machen, wo Prozesse bereits tragfähig sind und wo die Organisation noch nacharbeiten muss. Wer das früh erkennt, gewinnt Zeit für saubere Entscheidungen. Wer zu lange wartet, wird später unter höherem Druck dieselben Grundsatzfragen klären müssen.