Finanzverantwortliche hören derzeit viel über so genannte Agenten: KI-Systeme, die nicht nur Fragen beantworten, sondern innerhalb eines Workflows aktiv werden. Die Argumente sind überzeugend: Setzen Sie einen Agenten für Ihre Abstimmung, Ihren Abschluss oder Ihre Varianzanalyse ein und lassen Sie ihn arbeiten. Das Ergebnis: weniger Zeitverlust durch manuelle Tätigkeiten, schnellere Antworten und eine geringere Abhängigkeit von einzelnen Personen, die den Prozess zufällig kennen.
Doch die entscheidende Frage, von der der Erfolg all dessen abhängt, lautet: Auf welcher Grundlage trifft der Agent eigentlich seine Entscheidungen?
Die meisten Finanzberechnungen haben nur eine richtige Antwort
Die Arbeit im Finanzwesen ist größtenteils eindeutig. Für die Berechnung von Lizenzgebühren gibt es nur ein korrektes Ergebnis. Ebenso gibt es für die Steuerzuordnung nur eine richtige Antwort. Auch der Abgleich einer Auszahlung an einen Lieferpartner mit den POS-Daten (Point-of-Sale) führt zu einem eindeutigen Ergebnis, das meist in einer Tabellenkalkulationsformel hinterlegt ist und nicht jedes Mal aufs Neue von einem Large Language Model (LLM) hergeleitet werden sollte. Dies ist deterministische Arbeit, die durch Regeln gesteuert wird, die das Finanzwesen bereits kennt, anstatt durch Ermessensentscheidungen, für die ein Modell geeignet wäre. Der Mehrwert eines Agenten liegt nicht darin, die Berechnungen selbst zu entwickeln, sondern darin, auf Basis bereits korrekter Berechnungen schnell zu handeln – und bei Rückfragen den Rechenweg transparent darlegen zu können.
Dieses „Warum“ ist der Punkt, an dem die meisten KI-Initiativen im Finanzwesen auf Schwierigkeiten stoßen, da niemand die Antwort auf die Regel zurückverfolgen kann, die sie hervorgebracht hat.
Die Logik fehlt nicht, sie ist nur unreguliert
Hierbei handelt es sich um kein neues Problem. Im Finanzwesen werden Formeln für Lizenzgebühren, Zuteilungsregeln und Verfahren für den Monatsabschluss schon seit der Einführung von Tabellenkalkulationen in Dateien hinterlegt, und das meist in solchen, die nur ein oder zwei Personen wirklich durchschauen. Das war früher ein überschaubares Risiko: Ein Analyst verlässt das Unternehmen, jemand erstellt die Tabellenkalkulation neu, die Arbeit geht weiter.
Überträgt man denselben Prozess auf einen Agenten, steigt die Tragweite, denn die Regeln müssen nun an einem Ort hinterlegt sein, der für alle – einschließlich der KI – tatsächlich einsehbar ist. Das ist es, was eine Geschäftslogik-Ebene leistet: Sie gibt der bereits vorhandenen Finanzlogik einen Ort, an der sie sichtbar, wiederholbar und nachvollziehbar ist, anstatt in einer Datei gefangen zu sein, die nur eine Person versteht.
Wie das bei Papa Johns aussah
Papa Johns betreibt weltweit mehr als 6.000 Filialen über ein Franchise-Modell. Jede Bestellung, die über einen Lieferpartner wie UberEats oder DoorDash eingeht, muss korrekt abgeglichen werden, da das Ergebnis bestimmt, was ein Franchisenehmer tatsächlich ausgezahlt bekommt. Ein Fehler beim Abgleich bleibt nicht isoliert – er wirkt sich auf die Zahlungen an Franchisenehmer:innen und die Zahlen aus, die in den Abschluss einfließen.
Das Team hatte bereits in Google Cloud und BigQuery investiert, aber die Abgleichslogik selbst befand sich dort, wo Finanzlogik normalerweise zu finden ist: verstreut über verschiedene Systeme, Tabellenkalkulationen und Dashboards, und in jedem Abschlusszyklus mühsam von Hand zusammengeführt. Michael Wyant, VP of Enterprise Data and Corporate Solutions bei Papa Johns, benannte die Lücke treffend: „Das fehlende Puzzleteil war die finanzspezifische Geschäftslogik.“
Genau dort hat das Team also angefangen. Nicht durch den Einsatz eines Agenten, sondern dadurch, dass die Abstimmungslogik selbst innerhalb von Alteryx One sichtbar und gesteuert wird und nativ auf BigQuery läuft. Das Ergebnis: Der manuelle Arbeitsaufwand im Finanzbereich sank um bis zu 400 Stunden pro Jahr, und SOX-Kontrollen wurden automatisch dokumentiert, anstatt in einer separaten Datei zu veralten. Erst als dieses Fundament stand, wurde der auf Gemini basierende Abgleich-Agent zu einem Tool, dem das Unternehmen bei der Ergebnisermittlung tatsächlich vertrauen konnte.
Was Agenten leisten können, sobald das Fundament steht
Papa Johns erhielt seinen KI-Agenten nicht einfach auf Bestellung. Der Agent entstand vielmehr dadurch, dass die zugrundeliegende Logik so gestaltet wurde, dass sie für Agenten, Prüfer:innen und neue Mitarbeiter:innen gleichermaßen transparent und verlässlich ist. Die sich abzeichnende Verbindung zwischen Plattformen wie Alteryx und Google Cloud durch das Model Context Protocol weist in diese Richtung: Agenten, die auf verwalteten Daten mit bereits integriertem Kontext und Berechtigungen agieren können, anstatt nur rohen Zugriff auf das zu haben, was sie zufällig finden.
All dies ersetzt keineswegs das fachliche Urteilsvermögen, das das Finanzwesen in den Prozess einbringt. Vielmehr bedeutet es, dass dieses Urteil einmalig angewandt, klar dokumentiert und fortan stets auf die gleiche Weise genutzt wird, anstatt davon abzuhängen, ob sich eine einzelne Person noch daran erinnert, wie der Prozess eigentlich ablaufen soll.
Worauf Sie vor dem nächsten Einsatz eines Agents in Ihrem Team achten sollten
Bevor Ihr Team den nächsten Agent einsetzt, sollten Sie die Frage stellen, mit der dieser Beitrag begann, diesmal jedoch bezogen auf Ihre eigenen Workflows: Auf welcher Grundlage soll der Agent eigentlich tätig werden? Papa Johns hat dies beantwortet, indem die Logik für den Abgleich transparent gemacht wurde, noch bevor der Prozess an einen Agent übergeben wurde. Genau diese Sorgfalt sollten Sie auch bei Ihrem Monatsabschluss, bei Audits oder bei allen anderen Bereichen anwenden, für die Ihr Team den Einsatz von Agents plant.
In diesem On-Demand-Webinar erläutern Papa Johns, Alteryx und Google Cloud im Detail, wie sie dieses Fundament geschaffen haben und was nötig war, um dem Ergebnis eines Agents zu vertrauen. Wenn sich Ihr Team mit ähnlichen Fragen zum Einsatz von Agents befasst, lohnt es sich, diese Stunde zu investieren.
On-Demand-Webinar: How Papa Johns, Alteryx, and Google Solve 3rd-Party Reconciliation