KI im Finance braucht stärkere Prüfkompetenz

KI ist im Finance angekommen. In vielen Unternehmen wird derzeit geprüft, wo sich Buchungsvorschläge, Kontenabstimmungen, Reporting-Kommentare, Forecast-Texte oder Excel-Auswertungen automatisieren lassen. Das ist nachvollziehbar. Finance-Organisationen stehen unter Druck, schneller zu liefern, bessere Analysen bereitzustellen und gleichzeitig mit knappen Ressourcen umzugehen.

Die entscheidende Frage ist jedoch nicht nur, was KI künftig übernehmen kann. Wichtiger ist, wer den Output beurteilen kann. Denn wenn Ergebnisse schneller entstehen, verschwindet Verantwortung nicht. Sie verlagert sich auf diejenigen, die prüfen, freigeben und gegenüber Geschäftsführung, Wirtschaftsprüfern, Aufsichtsorganen oder Banken erklären müssen, warum eine Zahl, eine Aussage oder ein Forecast plausibel ist.

Geschwindigkeit verändert die Verantwortung

In klassischen Finance-Prozessen war ein großer Teil der Arbeit sichtbar. Buchungen wurden manuell vorbereitet, Abstimmungen Schritt für Schritt durchgeführt, Reports in Excel konsolidiert und Kommentare aus Gesprächen mit Fachbereichen abgeleitet. Diese Arbeit war oft aufwendig und nicht immer effizient. Sie hatte aber einen Nebeneffekt: Wer sie ausführte, lernte den Prozess, die Datenherkunft und die typischen Fehlerquellen kennen.

Wenn KI diese Arbeit beschleunigt, fällt ein Teil dieses Lernweges weg. Ein Monatsabschluss kann formal sauberer aussehen, eine Abweichungsanalyse sprachlich überzeugender wirken und ein Forecast-Kommentar kann so formuliert sein, als sei er bereits entscheidungsreif. Genau darin liegt das Risiko. Ein gut formulierter Text ist kein Nachweis für fachliche Richtigkeit. Eine plausible Begründung ist noch keine belastbare Analyse. Und ein automatisierter Buchungsvorschlag ist erst dann werthaltig, wenn klar ist, auf welcher Regel, welcher Datenbasis und welchem Prozessverständnis er beruht.

Für CFOs und Finance-Leitungen entsteht damit eine neue Führungsaufgabe. Es reicht nicht, KI als Effizienzhebel in bestehende Abläufe einzubauen. Es muss geklärt werden, an welchen Stellen fachliche Prüfung zwingend erforderlich ist, welche Entscheidungen automatisiert vorbereitet werden dürfen und wo menschliche Freigabe unverzichtbar bleibt.

Warum glatte Ergebnisse gefährlich sein können

Aus der Beratungs- und Prüfungspraxis ist ein Muster bekannt: Viele Risiken entstehen nicht dort, wo ein Prozess sichtbar chaotisch ist. Sie entstehen dort, wo ein Ergebnis zu glatt wirkt und deshalb nicht mehr ausreichend hinterfragt wird. Gerade im Reporting kann das problematisch werden.

Ein Beispiel ist die Kommentierung von Plan-Ist-Abweichungen. Eine KI kann aus Datenreihen, Kostenstelleninformationen und Vorjahreswerten einen überzeugenden Kommentar erzeugen. Wenn jedoch die zugrunde liegende Kostenverschiebung aus einer fehlerhaften Zuordnung, einer verspäteten Umlage oder einem nicht abgestimmten Projektkonto stammt, erklärt der Kommentar möglicherweise nur ein Symptom. Die eigentliche Ursache bleibt unentdeckt.

Ähnlich verhält es sich bei Forecasts. Systeme können historische Verläufe erkennen, Trends fortschreiben und sprachlich sauber begründen. In der kaufmännischen Steuerung reicht das nicht aus. Ein Forecast muss operative Veränderungen, Einkaufsentscheidungen, Preiswirkungen, Lieferengpässe, Personalmaßnahmen oder Working-Capital-Effekte berücksichtigen. Wenn diese Informationen nicht strukturiert in den Prozess einfließen, erzeugt KI keine bessere Steuerung, sondern nur schneller formulierte Annahmen.

Besonders kritisch ist dies bei Schnittstellen zwischen Finance, Einkauf, Operations und IT. Viele Finance-Probleme sehen wie Reporting-Probleme aus, sind aber Integrationsprobleme. Daten kommen aus verschiedenen Systemen, Stammdaten sind nicht einheitlich gepflegt, Verantwortlichkeiten sind unklar, und manuelle Korrekturen schließen Lücken, die organisatorisch nie gelöst wurden. KI kann solche Lücken kaschieren, aber nicht automatisch beheben.

Prüfkompetenz entsteht nicht im Tool

Der häufig unterschätzte Punkt ist Kompetenzaufbau. Wer KI im Finance einsetzen will, muss sicherstellen, dass die Organisation weiterhin versteht, was sie prüft. Das betrifft nicht nur erfahrene Spezialisten, sondern vor allem den Nachwuchs.

In vielen Finance-Funktionen haben junge Mitarbeitende früher über operative Arbeit gelernt. Sie haben Rechnungen kontiert, Rückstellungen vorbereitet, Intercompany-Abstimmungen begleitet, Saldenlisten analysiert und Abweichungen manuell nachvollzogen. Diese Tätigkeiten waren nicht immer strategisch, aber sie haben ein kaufmännisches Fundament geschaffen. Wer nie gelernt hat, wie eine Buchung entsteht, warum ein Konto nicht aufgeht oder weshalb eine Abgrenzung wirtschaftlich notwendig ist, wird später Schwierigkeiten haben, automatisierte Ergebnisse kritisch zu beurteilen.

Das bedeutet nicht, dass Unternehmen an ineffizienten Routinen festhalten sollten. Es bedeutet aber, dass Automatisierung und Qualifizierung gemeinsam geplant werden müssen. Wenn einfache Tätigkeiten entfallen, braucht es neue Lernpfade. Mitarbeitende müssen verstehen, wie Daten durch Systeme laufen, welche Kontrollen greifen, welche Annahmen in Modellen enthalten sind und wann ein Ergebnis fachlich nicht plausibel ist.

Prüfkompetenz umfasst daher mehr als technisches Tool-Wissen. Sie verbindet Rechnungslegungsverständnis, Prozesskenntnis, Datenlogik, internes Kontrollsystem und geschäftliches Urteilsvermögen. Genau diese Kombination entscheidet darüber, ob KI im Finance Wert schafft oder zusätzliche Risiken erzeugt.

Rollen- und Wissenslandkarte vor dem KI-Projekt

Bevor ein Unternehmen das nächste KI-Projekt im Finance startet, ist eine ehrliche Rollen- und Wissenslandkarte oft wertvoller als eine umfangreiche Tool-Roadmap. Dabei geht es nicht um Bürokratie, sondern um Klarheit.

Zunächst sollte sichtbar werden, wer den jeweiligen Prozess tatsächlich versteht. In vielen Organisationen liegt entscheidendes Wissen nicht in Prozessdokumentationen, sondern bei einzelnen Personen. Sie wissen, warum bestimmte Buchungen abweichend behandelt werden, welche Daten im Vorsystem unvollständig sind oder welche Auswertung nur mit einer manuellen Korrektur belastbar wird. Wird dieses Wissen nicht erfasst, automatisiert man im Zweifel nur die Oberfläche.

Ebenso wichtig ist die Frage nach Datenverantwortung. Wer kennt die Datenquelle? Wer ist für Stammdaten verantwortlich? Wer erkennt, ob ein Datensatz vollständig, aktuell und sachlich richtig ist? In Finance-Transformationen wird häufig über Dashboards gesprochen, aber zu wenig über Datenpflege, Ownership und Kontrollpunkte.

Hinzu kommt die Entscheidungsfrage. Nicht jeder KI-Output hat dieselbe Kritikalität. Ein erster Textentwurf für einen internen Kommentar ist anders zu bewerten als ein Buchungsvorschlag mit Abschlusswirkung oder eine Liquiditätsprognose für Bankengespräche. Deshalb muss festgelegt werden, wer prüfen darf, wer freigibt und welche Nachweise im Sinne von Governance und Revisionssicherheit erforderlich sind.

Was CFOs jetzt praktisch tun sollten

Für CFOs liegt die Aufgabe darin, KI nicht isoliert als Technologieprojekt zu behandeln. Sie gehört in die Steuerungsarchitektur von Finance. Dazu zählen Prozesse, Daten, Kontrollen, Rollen und Kompetenzen.

Ein pragmatischer Einstieg ist die Auswahl weniger konkreter Anwendungsfälle. Diese sollten nicht nur nach Effizienzpotenzial bewertet werden, sondern auch nach Risiko, Erklärbarkeit und Prüfaufwand. Ein Use Case ist erst dann reif für den produktiven Einsatz, wenn klar ist, welche Daten genutzt werden, welche fachlichen Regeln gelten, wo menschliche Kontrolle vorgesehen ist und wie Fehler erkannt werden.

Parallel sollte das interne Kontrollsystem angepasst werden. Automatisierte Vorschläge brauchen Kontrollpunkte, die zur neuen Arbeitsweise passen. Es reicht nicht, alte Freigaben unverändert auf neue Prozesse zu übertragen. Wenn sich die Entstehung eines Ergebnisses verändert, muss sich auch die Prüfung verändern.

Schließlich braucht Finance ein Qualifizierungskonzept. Mitarbeitende müssen nicht alle zu KI-Spezialisten werden. Sie müssen aber in der Lage sein, automatisierte Ergebnisse fachlich einzuordnen, Datenflüsse zu verstehen und kritische Rückfragen zu stellen. Gerade diese Fähigkeit wird in einer stärker automatisierten Finance-Funktion wichtiger, nicht unwichtiger.

KI kann Finance deutlich entlasten. Sie kann Routinen beschleunigen, Analysen vorbereiten und Kommunikation verbessern. Der eigentliche Wert entsteht jedoch erst, wenn die Organisation weiterhin erklären kann, warum ein Ergebnis richtig ist. Wer KI im Finance einführt, sollte deshalb nicht beim Tool beginnen, sondern bei den Prüfkompetenzen des Teams.