Wenn Sie im Finanzwesen tätig sind, haben Sie im vergangenen Jahr wahrscheinlich ein KI-Tool an die Hand bekommen. Vielleicht ein Copilot in Ihrer Tabellenkalkulation, vielleicht etwas, das an den Abschlussprozess angehängt wurde, vielleicht ein Chatbot, der verspricht, jede Frage zu den Zahlen zu beantworten. Und wenn Sie ehrlich sind, hat das Ihren Arbeitstag vielleicht nicht sehr verändert.
Sie machen nichts falsch. Das Tool ist nicht defekt. Was fehlt, ist der Teil, den niemand erwähnt hat: KI ist nur so gut wie die Arbeit, auf der sie basiert. Und in den meisten Fällen ist genau diese Grundlage ein einziges Durcheinander.
Selbstbewusste KI-Antworten, denen man nicht vertrauen kann
Hier ist ein bekanntes Szenario: Jemand stellt dem KI-Assistenten eine völlig vernünftige Frage: „Warum hat sich die Marge letzten Monat in der Region Ost verändert?“ Die gelieferte Antwort klingt großartig. Selbstbewusst. Gut strukturiert. Möglicherweise sogar mit Aufzählungspunkten formatiert. Das einzige Problem ist, dass Sie keine Ahnung haben, ob sie richtig ist. Sie wissen nicht, welche Daten verwendet wurden, ob die aktuelle Kostenverteilungsmethode berücksichtigt wurde oder ob die KI unbemerkt den Kalender des letzten Geschäftsjahres herangezogen hat.
Sie tun also das, was jede vernünftige Person im Finanzbereich tun würde: Sie prüfen die Antwort manuell. Das bedeutet, die KI hat Ihnen die Arbeit nicht erspart. Sie hat einen weiteren Schritt hinzugefügt.
Das ist die unausgesprochene Wahrheit darüber, warum so viele KI-Projekte im Finanzbereich ins Stocken geraten. Es ist nicht so, dass die Modelle nicht logisch denken können. Es liegt daran, dass sie mit Daten arbeiten, die nie bereinigt wurden, Regeln, die nie schriftlich festgehalten wurden, und einer Logik, die nur im Kopf eines Analysten und in drei Registerkarten einer Arbeitsmappe existiert, die sonst niemand öffnen kann. KI hat diese Lücke nicht geschaffen. Sie hat sie lediglich sichtbar gemacht, denn nun werden Entscheidungen auf Basis dieser unzureichenden Grundlage getroffen.
McKinsey hat untersucht, wie Finanzteams generative KI tatsächlich nutzen, und fand ein nützliches Gegenbeispiel. In den wenigen Finanzabteilungen, in denen KI umfassend eingesetzt wurde, wandten Fachkräfte 20 bis 30 Prozent weniger Zeit für die Verarbeitung von Daten auf – und investierten diese Zeit stattdessen in jene Analysen, die den eigentlichen Kern ihrer Tätigkeit ausmachen. In einem Fall setzte ein globales Konsumgüterunternehmen einen auf generativer KI basierenden Assistenten für die Analyse von Budgetabweichungen ein und konnte so rund 30 Prozent des manuellen Aufwands einsparen. Das ist ein handfestes Ergebnis. Entscheidend ist jedoch, wie dieses Ergebnis zustande kam: Die KI wurde für eine spezifische, wiederkehrende Aufgabe eingesetzt und arbeitete mit Daten, die das Team bereits auf der Grundlage einer einheitlichen Definition des Begriffs „Abweichung“ aufbereitet hatte. Die KI hat das nicht von allein herausgefunden. Das Team hat ihr ein Problem übertragen, das zur Automatisierung bereit war.
Was erfolgreiche Workflows von den anderen unterscheidet
Finanzaufgaben, bei denen KI einen Mehrwert bietet, weisen meist bestimmte Gemeinsamkeiten auf. Sie sind klar abgegrenzt – mit einem definierten Anfang und Ende, statt der vagen Aufgabe, „irgendwelche Fragen zum Unternehmen zu beantworten“. Sie sind wiederkehrend und laufen jeden Monat nach demselben Muster ab. Und sind sie mit geschäftsrelevanten Faktoren verknüpft: Liquidität, Margen, Risiken oder Kennzahlen, auf deren Basis jemand später Entscheidungen treffen kann.
Das ist der leichtere Part. Der schwierigere Part betrifft die Voraussetzungen, die im Hintergrund erfüllt sein müssen. Damit KI eine dieser Aufgaben bewältigen kann, müssen die Daten, die sie speist, aufbereitet und validiert werden, noch bevor das Modell sie überhaupt zu Gesicht bekommt. Die Regeln – was zählt, was ausgeschlossen wird, wie die Ergebnisse zusammengefasst werden – müssen von Ihrem Team definiert und konsequent angewendet werden – und dürfen nicht von einem Modell erraten werden, das Ihre Richtlinien nie gelesen hat. Und wenn die Ergebnisse eintreffen, müssen Sie in der Lage sein, sie lückenlos zurückzuverfolgen: welche Zahlen, welche Logik, wer die Freigabe erteilt hat. Im Finanzwesen ist diese Rückverfolgbarkeit kein bloßes Nice-to-have. Sie macht den Unterschied aus zwischen einer Antwort, die Sie einem Wirtschaftsprüfer vorlegen können, und einer, die Sie nur Leuten präsentieren können, die keine kritischen Fragen stellen.
Denken Sie an den Unterschied zwischen zwei Versionen desselben Workflows. In einem Fall greift die KI auf Rohdaten zu, wendet alle daraus abgeleiteten Regeln an und gibt Ihnen eine Zahl aus. Im anderen Fall werden die Daten zuerst bereinigt und strukturiert, die eigentliche Geschäftslogik Ihres Teams wird darauf angewendet, und erst dann setzt die KI auf einer soliden Basis auf. Der erste wirkt zunächst schneller – bis etwas nicht stimmt und Sie nicht sagen können, warum. Der zweite ist derjenige, den Sie in einer Besprechung vertreten können.
Das ist im Grunde der Test, dem man jedes KI-Projekt unterziehen sollte: Kann man erklären, woher die Antwort stammt, und würde diese Erklärung einer kritischen Prüfung standhalten? Wenn die Antwort Ja lautet, haben Sie etwas, das es wert ist, skaliert zu werden. Wenn Nein, wird mehr KI das Problem nicht lösen – sie wird nur schneller falsche Antworten liefern.
Was das für Ihren Montagmorgen bedeutet
Nichts davon bedeutet, von vorne beginnen zu müssen. Die Geschäftslogik, die Ihr Team entwickelt hat – die Tabellenkalkulationen, die Regeln, das institutionelle Wissen, wie die Dinge hier tatsächlich funktionieren – ist der wertvolle Teil. Das Ziel ist es nicht, all das durch eine KI zu ersetzen, die davon nichts versteht. Es geht darum, diese Logik in eine geregelte und wiederholbare Form zu bringen, damit KI endlich etwas Sinnvolles damit anfangen kann.
Der praktischste Schritt ist auch gleichzeitig der unspektakulärste. Wählen Sie einen Workflow aus. Nicht den gesamten Abschlussprozess. Nicht „KI im gesamten Finanzbereich“. Nur eine begrenzte, wiederholbare, lästige Aufgabe, die Sie gerne nie wieder von Hand erledigen würden: Rechnungsabgleich, eine wiederkehrende Abweichungsanalyse, ein Bericht, den Sie jeden Monat neu erstellen. Sammeln Sie die richtigen Daten für diese eine Sache, schreiben Sie die Regeln auf und lassen Sie KI darauf aufbauen. Wenn es funktioniert, haben Sie etwas Greifbares: einen Workflow, dem Sie vertrauen können, und eine klare Vorstellung davon, wie der zweite Workflow aussehen sollte.
Zwei Fallen, die es wert sind, erwähnt zu werden, denn genau in diese sind Teams laut McKinsey getappt. Die erste besteht darin, auf perfekte Daten zu warten, bevor überhaupt etwas getan wird. Denn dann werden Sie wahrscheinlich ewig warten – während das Nachbarteam bereits drei funktionierende Workflows eingeführt hat, bevor Ihre Daten überhaupt perfekt sind. Die zweite Falle ist das genaue Gegenteil: die Automatisierung eines Prozesses, der immer noch aus einem Wirrwarr von Ausnahmen und einmaligen Vorgängen besteht. Setzen Sie KI auf einen fragmentierten Workflow, wird dieser nicht vereinfacht, sondern fügt dem Durcheinander lediglich eine selbstbewusst klingende Ebene hinzu. Der richtige Weg liegt dazwischen: Standardisieren Sie zunächst eine Sache – und automatisieren Sie sie anschließend.
Wenn Sie ohne großes Risiko ausprobieren möchten, wie das in der Praxis aussieht, bevor Sie sich festlegen, sind unsere KI-fähigen Starter-Kits genau das Richtige für Sie. Bei diesen Starter-Kits handelt es sich um vorkonfigurierte Alteryx Workflows und synthetische Datasets, die veranschaulichen, wie Alteryx in spezifischen geschäftlichen Use Cases eingesetzt werden kann. Sie bereiten Daten so auf und strukturieren sie, dass analysefähige Ergebnisse entstehen, die anschließend mit externen KI-Tools wie Large Language Models (LLMs) erweitert werden können. Sie übernehmen zwar nicht die gesamte Steuerung Ihrer Finanzabteilung – dafür sind sie nicht gedacht. Aber sie machen die Struktur eines Workflows, der sich tatsächlich auszahlt, so greifbar, dass er sich leicht nachbilden lässt.
Die KI auf Ihrem Schreibtisch ist nicht das Problem. Aber die ihre zugrunde liegende Arbeit. Wenn Sie diesen Aspekt optimieren, werden Sie sich nicht mehr fragen, warum sich die KI noch nicht ausgezahlt hat – denn dann wird sie es endlich tun.
Sehen Sie sich unsere vollständige Bibliothek KI-fähiger Starter-Kits an und entdecken Sie Use Cases aus dem Finanzbereich, die zu Ihnen und Ihrem Team passen.