Die Vertrauensgleichung: Im Zeitalter der KI Vertrauen in Daten schaffen | Alteryx + Golden Analytics + McGarrah Jessee On-Demand ansehen
Ankündigung unseres November-Release 2026: Erfahren Sie, wie IT-zertifizierte Workflows und gekennzeichnete Daten zu verlässlichen KI-Antworten führen. Jetzt anmelden
Ankündigung des Alteryx One Sommer-Release 2026: Gesteuerte Analysen überall dort, wo gearbeitet wird. Jetzt mehr erfahren
Alteryx on Tour ist da: Erleben Sie die Leistungsfähigkeit agentenbasierter Analysen in einer Stadt in Ihrer Nähe. Stadt finden
Einführung von Agent Studio: Verwandeln Sie Ihre Geschäftslogik und Daten in dialogbasierte Erkenntnisse. Mehr erfahren
Finanz-KI-Logik

Hören Sie auf, KI dafür zu bezahlen, Logik neu zu erstellen, die Ihr Finanzteam bereits bewiesen hat

Strategie   |   Michael Peter   |   30. Sept. 2026 LESEZEIT: 4 MIN
LESEZEIT: 4 MIN

Jede Woche bittet ein Analyst für den Bargeldabgleich einen KI-Assistenten, Handelsdaten mit Bargeldpositionen abzugleichen. Es geht die Regeln durch, prüft jede Zeile, markiert Unstimmigkeiten und korrigiert sie. In der darauffolgenden Woche läuft derselbe Bargeldabgleich mit demselben Assistenten – und dieser arbeitet alles erneut von Grund auf aus.

Rechnet man das für jede Ausnahme und jeden Abschluss hoch, wird klar, was die KI-Kosten in die Höhe treibt: Die KI erledigt immer wieder Arbeit, die sie bereits erledigt hat. Der Grund ist einfach: Ein Modell schätzt die Berechnung jedes Mal neu, anstatt eine bereits vorliegende Antwort nachzuschlagen, und jede Schätzung wird als neue Arbeit abgerechnet, ohne dass gewährleistet ist, dass sie mit der vorherigen übereinstimmt.

Diese Nacharbeit zeigt sich auf drei Arten. Teams füttern KI mit großen, unvorbereiteten Datasets, die bereits vorhandene Geschäftsregeln umgehen, was Tokens verbraucht und Antworten liefert, denen niemand voll vertraut. Sie greifen auf ein kostenintensives Reasoning-Modell zurück, um einen Routineauftrag zu erledigen, den auch ein günstigeres bewältigen könnte, oder senden mehr Kontext, als die Aufgabe eigentlich erfordert. Und die meisten Organisationen haben nur begrenzte Transparenz darüber, was all dies kostet, bis die Rechnung eintrifft. Jedes Problem verstärkt die anderen: Eine falsche Antwort bedeutet Nacharbeit, und Nacharbeit bedeutet, zweimal für dieselbe Aufgabe zu bezahlen.

Die Rechnung und die Rücksendung sind dasselbe Problem

Gartner prognostiziert, dass bis Ende 2027 mehr als 40 % der Projekte mit agentenbasierter KI abgebrochen werden. Steigende Kosten gehören zu den drei von Gartner genannten Gründen, neben einem unklaren Geschäftswert und schwachen Risikokontrollen. Diese drei Gründe hängen zusammen: Ein Agent, der jedes Mal dieselbe Berechnung durchdenken muss, wird aus demselben Grund zugleich teurer und weniger vertrauenswürdig.

Und selbst wenn Projekte überleben, ist der Nutzen gering. Das Center for CFO Excellence von BCG stellte fest, dass der mediane ROI von KI im Finanzwesen gerade einmal 10 % beträgt und ein Drittel der Finanzverantwortlichen von begrenzten oder gar keinen Gewinnen berichtet. Das ist keine Geschichte darüber, dass KI die falsche Technologie ist. Es ist eine Geschichte darüber, was von ihr verlangt wird.

Was sich ändert, wenn die Berechnung nicht der Auftrag von KI ist

NextWave Consulting, ein Alteryx-Partner, reduzierte den Token-Verbrauch bei einem Abgleich zwischen Frontoffice und Backoffice um das 20-Fache, sobald die Berechnung über einen bestehenden, gesteuerten Workflow lief, anstatt dass ein LLM diese jedes Mal von Grund auf neu durchführte. Genau das ist der Wandel hinter der Story „KI wird immer smarter“, der die meisten Teams nachjagen. Ein Teil dessen, was das Finanzwesen von KI verlangt, war von vornherein gar kein Reasoning-Problem.

KI ist bei einer bestimmten Gruppe von Aufgaben besonders leistungsfähig:

  • Erstellung eines ersten Entwurfs für einen narrativen Text oder eine Zusammenfassung auf Grundlage bereits korrekter Daten
  • Muster oder Anomalien erkennen, die eine genauere Prüfung verdienen
  • Eine Frage in natürlicher Sprache statt mit einer Formel beantworten

Nichts davon erfordert, dass das Modell Ihre Abgleichsregeln, Ihre Wesentlichkeitsschwellen oder Ihren Abschlusskalender jedes Mal anhand von Rohdaten neu erstellt, wenn jemand danach fragt. Dafür gibt es bereits eine Antwort. Es wurde einmal erstellt, getestet und jahrelang auf dieselbe Weise ausgeführt, meist in einem Workflow, manchmal noch in einer Tabelle, deren Umzug niemand bisher in Angriff genommen hat. Wenn man diese Logik einem Modell zur bedarfsgerechten Rekonstruktion übergibt, beginnen sowohl die Tokenkosten als auch das Vertrauensproblem.

Logik wiederverwenden, statt sie neu aufzubauen

Setzen Sie KI für das ein, worin sie gut ist, und bezahlen Sie sie nicht länger dafür, Arbeit neu zu erfinden, die Ihr Team bereits erledigt hat. Die Abgleichregeln, die Schwellenwerte, der Abschlusskalender – diese Logik wurde einmal entwickelt und hat sich bewährt. Die Lösung besteht darin, die KI diese Logik aufrufen zu lassen, anstatt sie jedes Mal neu aufzubauen, wenn jemand danach fragt.

Das macht die Ausgabe ebenfalls prüfbar, nicht nur günstiger. Wenn dieselbe durch Governance abgesicherte Logik mit denselben Daten stets dieselbe Antwort liefert – unabhängig davon, wie die Frage formuliert wurde –, erhalten Sie etwas, das ein Controller abzeichnen kann: einen Audit-Trail, der zeigt, welche Daten verwendet, welche Regeln angewendet und wer das Ergebnis genehmigt hat. Sichtbar, verständlich, wiederholbar, prüfbar – Alteryx nennt dies den VURA-Standard, und genau darin liegt der Unterschied zwischen einem Pilotprojekt, das eine gute Woche erlebt hat, und einem Abschlussprozess, dem Sie wirklich vertrauen können.

Alteryx veranstaltet am 16. Oktober eine Session genau zu diesem Thema – dazu, wie sich die Token-Kosten von LLMs senken lassen, ohne auf die Stärken von KI zu verzichten. Melden Sie sich hier an.

Tags