Finanzwesen
KI deckt Lücken in der Finanzdateninfrastruktur auf
Die meisten FP&A-Teams sind bereit für KI, doch Ihre Dateninfrastruktur ist es nicht.
Während des Großteils meiner Karriere galt in der Finanzplanung die unausgesprochene Wahrheit, dass Betriebsdaten immer zu spät und unvollständig verfügbar sind. FP&A-Teams mussten die Daten erst abgleichen und dann analysieren. So wurden am Donnerstag Nachtschichten eingelegt, um auf das Meeting mit dem Vorstand am Freitag vorbereitet zu sein.
KI verändert diese Dynamik. Ein KI-Modell hält nicht inne, um zu prüfen, ob eine Zahl plausibel erscheint. Ebenso wenig umgeht es Datenlücken, wie es ein erfahrener Analyst intuitiv tut.
Studie
KI-Agenten als wichtige Partner – aber nicht als Chef
KI wird eine marode Datengrundlage nicht beheben. Sie deckt sie auf.
Für die meisten Finanzteams, die eine KI-Investition abwägen, ist das KI-Modell nicht die größte Hürde. Es ist die zugrunde liegende Dateninfrastruktur. KI wird eine marode Datengrundlage nicht beheben. Sie deckt sie auf.
Wie der Workaround zum Workflow wurde
Jede FP&A-Führungskraft kennt die in Fleisch und Blut übergegangenen Workarounds. Der ERP-Abschluss verzögert sich und liefert nur aggregierte Ist-Zahlen anstelle der zugrunde liegenden operativen Treiber – Volumen, Auftragsbestand oder Änderungen auf Stückebene –, die das Ergebnis tatsächlich beeinflusst haben.
Infolgedessen suchen Analysten systemübergreifend nach fehlenden Informationen, fordern manuelle Auszüge aus den Abläufen an oder ziehen Vertriebskennzahlen aus Plattformen, die nie für finanzielle Präzision konzipiert wurden. Sie erzwingen den Ausgleich von Periodenabweichungen und nicht übereinstimmenden Kategorien, um Ist-Zahlen mit Hauptbüchern abzugleichen. Spreadsheet-Modelle dienen standardmäßig als Bindeglied, schlicht weil sie flexibel genug sind, um widersprüchliche Systeme in einer einzigen Tabelle abzubilden.
Doch dieses Bindeglied hält nicht. Wenn das Finanzteam, der Vertrieb und die Verantwortlichen für die Abläufe bei einer operativen Review mit drei widersprüchlichen Versionen derselben Kennzahl erscheinen, drohen Meetings zum reinen Datenabgleich zu werden. Teams greifen entweder auf Offline-Modellierungen zurück oder treffen Entscheidungen auf Basis veralteter Annahmen.
Das war niemals eine bewusst gewählte Strategie: Der Workaround wurde zum operativen Workflow. Bisher ging Planungssoftware davon aus, dass Analysten diese harte manuelle Arbeit erledigen, bevor die Daten in das Modell einfließen. Doch durch die rasante Zunahme von Unternehmenssoftware in den Bereichen ERP, CRM, HRIS und Supply Chain wurde ein ohnehin unübersichtlicher Prozess endgültig unkontrollierbar.
Durch die rasante Zunahme von Unternehmenssoftware in den Bereichen ERP, CRM, HRIS und Supply Chain wurde ein ohnehin unübersichtlicher Prozess endgültig unkontrollierbar.
KI erbt jeden Datenfehler
Fließen Daten in ein lokal gespeichertes Spreadsheet, bleibt ein Fehler isoliert. Speisen diese Daten jedoch eine KI, skaliert der Fehler sofort.
Die Qualität der KI-Ergebnisse spiegelt exakt die Daten wider, auf die sie zugreifen kann. Wird die KI mit einem engen oder fragmentierten Dataset gefüttert, liefert sie selbstbewusste, eingeschränkte und potenziell fehlerhafte Analysen – schneller, als ein Mensch sie überprüfen kann. KI kann aus schlechten Inputs keine guten Entscheidungen ableiten und besitzt keinen menschlichen Instinkt, um einen Ausreißer nochmal zu prüfen.
Die Validierung muss auf der Infrastruktur-Ebene erfolgen, noch bevor die Daten das Modell erreichen.
KI braucht Kontext, nicht nur Speichervolumen
Liefern KI-Modelle generische oder ungenaue Ergebnisse, wird häufig einfach aus einer größeren Datenpipeline ein Cloud-Data-Warehouse aufgebaut. Dieser Ansatz verkennt das Problem: Es mangelt an Kontext, nicht an Speichervolumen.
Was der KI tatsächlich fehlt, ist finanzieller Kontext – eine semantische Karte, die zeigt, was die Zahlen bedeuten. Herkömmliche Cloud-Datenplattformen zwingen IT-Teams dazu, relationale Tabellen in statische Zusammenfassungen abzuflachen. Dabei gehen in traditionellen ETL-Prozessen (Extract, Transform, Load) Details aus den Nebenbüchern verloren.
Infolgedessen kann ein KI-Modell ein Element abrufen, ohne zu erkennen, dass ein Kostenanstieg auf eine einmalige Neuklassifizierung im Hauptbuch zurückzuführen ist und keinen operativen Trend darstellt. Ohne Geschäftslogik, Buchhaltungshierarchien und Definitionen für Kennzahlen, die direkt in die Datenebene integriert sind, analysiert die KI scheinbar souverän Zusammenhänge, die sie im Grunde völlig falsch versteht.
Diese semantische Ebene direkt in die Kerninfrastruktur zu integrieren, anstatt sie nachträglich aufzusetzen – darin liegt die zentrale Anforderung an eine moderne Planungsarchitektur.
Was mit einer KI-fähigen Datenbasis möglich ist
Einige Finanzabteilungen bauen bereits eine solche Datengrundlage auf. Die Ergebnisse sind ein guter Maßstab dafür, was alles möglich ist.
YES Communities managt mehr als 300 Communitys und 83.000 Wohnflächen – eine Größenordnung, die eine Spreadsheet-basierte Planung längst an ihre Grenzen gebracht hatte. Nach dem Neuaufbau der Planungs- und Datenumgebung erhielt das Unternehmen Echtzeit-Einblicke in die Abläufe auf Community-Ebene. Damit sparten die Manager monatlich über zehn Stunden, die sie zuvor mit der Suche nach Berichten verbracht hatten.
Primient hatte mit einer anderen Variante desselben Problems zu kämpfen. Nach einer Firmenausgliederung blieb das Unternehmen mit einer komplexen SAP-Umgebung und einem vierwöchigen Zyklus für Prognosen zurück. Nach dem Neuaufbau der Datengrundlage konnte das Unternehmen diesen Zyklus von 28 Tagen auf etwa vier Stunden verkürzen, die Genauigkeit der Kalkulation auf 99,7 % steigern und Legacy-Softwarekosten in Höhe von rund 1 Mio. USD einsparen.
Die Grundlage steht an erster Stelle
KI ersetzt nicht das finanzielle Urteilsvermögen des Menschen – sie verschiebt nur den Zeitpunkt, wann dieses gefragt ist. Wenn der Kontext fehlt, treffen Modelle Annahmen. Dann sind Finanzführungskräfte gefordert, Abweichungen zu validieren und korrigierend einzugreifen.
Die neuesten und effektivsten Planungslösungen erfordern diese ständige Betreuung nicht. Sie erschließen erweiterte Möglichkeiten wie Abfragen in natürlicher Sprache und KI-gestützte Szenario-Modellierung, da Qualität, Zugänglichkeit und Aussagekraft der zugrunde liegenden Daten stimmen. Die nächste Ära der Planung wird nicht von dem intelligentesten Modell dominiert werden. Sondern von dem Team, dessen Daten das Modell vertrauen kann.
Die Finanzteams, die zuerst eine einheitliche, kontextreiche Datengrundlage schaffen, werden diejenigen sein, die KI nutzen, um die Unternehmensstrategie zu lenken. Alle anderen werden weiterhin damit beschäftigt sein, Inputs mühsam abzugleichen.
Die nächste Ära der Planung wird nicht von dem intelligentesten Modell dominiert werden. Sondern von dem Team, dessen Daten das Modell vertrauen kann.
Sind Sie bereit, die KI-fähige Grundlage aufzubauen, die für Ihre geschäftlichen Anforderungen erforderlich ist? Entdecken Sie Workday AI für FP&A.
Studie
KI-Agenten als wichtige Partner – aber nicht als Chef
Das wahre ROI-Problem liegt in der Diskrepanz zwischen dem investierten Aufwand und der tatsächlichen Wirkung. Entdecken Sie die Lösung.