Finanz-Vordenker enthüllt die KI-gestützte FP&A-Ebene, die das Monatsreporting revolutioniert

Andrew Lokenauth

Gründer des Finance Newsletter und Be Fluent In Finance

Andrew Lokenauth

Andrew Lokenauth erklärt, wie KI das Finanz- und Planungswesen (FP&A) verändert, indem sie das monatliche Reporting automatisiert und dennoch menschliches Urteilsvermögen für bessere finanzielle Entscheidungen unverzichtbar macht.

Key Takeaways

Beruflicher Wandel: Andrew Lokenauth wechselte von Tätigkeiten im Finanzbereich großer Banken zur Gründung finanzorientierter Plattformen.

KI-Einfluss: KI hat die Finanzberichterstattung revolutioniert, verkürzt Zyklen und reduziert Fehler durch automatisierte Datenverarbeitung.

Workflow-Effizienz: Die Implementierung von KI im Finanzbereich verkürzt Berichtszeiten von Tagen auf Stunden bei weniger Fehlern.

Menschliche Kontrolle: KI übernimmt Datenaufgaben, aber kritische Entscheidungen erfordern weiterhin menschliches Urteilsvermögen und Kontextverständnis.

Datenherausforderungen: Eine erfolgreiche KI-Integration beginnt mit der Sicherung von Datenqualität und -strukturierung vor der Technologieeinführung.

Bevor Andrew Lokenauth TheFinanceNewsletter.com und BeFluentInFinance.com gründete, hatte er Direktoren- und Vizepräsidenten-Positionen im Finanzbereich bei mehreren bekannten Banken inne. Heute ist er eine führende Stimme in Finanzdisziplinen mit über 3 Mio. Followern.

Wir haben Andrew getroffen, um zu erfahren, wie KI die Branche verändert – die Risiken wie auch die Chancen. Das hat er uns erzählt.

Automatisierung, bevor KI zum Trendbegriff wurde

Automatisierung, bevor KI zum Trendbegriff wurde

Ich begann meine Karriere bei Citi und war anschließend bei Goldman Sachs, AIG, JPMorgan und Signature Bank in Bereichen wie FP&A, strategische Finanzen, Investor Relations und Unternehmensentwicklung tätig. Ich automatisierte Finanzprozesse mit Python, SQL und VBA, lange bevor KI zum Thema wurde. Bei Goldman habe ich den P&L-Reporting-Zyklus um mehrere Tage verkürzt. Bei der Signature Bank entwickelte ich Systeme, die Führungskräften ermöglichten, innerhalb von weniger als 24 Stunden Einblicke zu gewinnen, anstatt innerhalb mehrerer Tage. Als generative KI aufkam, fühlte es sich nicht wie eine Revolution an, sondern als logische Fortsetzung der Arbeit, die ich seit fast zwanzig Jahren betreibe.

Nach meinem Ausstieg aus dem institutionellen Finanzwesen gründete ich TheFinanceNewsletter.com und BeFluentInFinance.com, wo ich für über 100.000 Newsletter-Abonnenten und mehr als 3 Millionen Social-Media-Follower über Finanzen und Technologie schreibe. Meine Ansichten zu diesem Thema wurden in Forbes, CNBC, dem Wall Street Journal und Business Insider veröffentlicht. Der Grund, warum ich weiter darüber schreibe, ist derselbe wie zu Beginn: Der Großteil der Diskussion ist immer noch zu theoretisch, zu sehr von Anbietern getrieben und zu weit entfernt von der Realität im Finanzalltag.

Ich betreibe außerdem eine Teilzeit-Beratung, in der ich als Fractional CFO und COO für wachstumsstarke Startups und mittelständische Unternehmen im Umsatzbereich von $1M bis $5M tätig bin.

More Articles

Wie KI das Monatsreporting verändert

Die größte Veränderung in meiner Arbeit in den letzten 12 Monaten bestand darin, statische monatliche Reporting-Pakete durch eine KI-gestützte FP&A-Schicht zu ersetzen, die auf den Kernfinanzsystemen der Kunden aufsetzt. Sie zieht Daten aus Buchhaltungssoftware, CRM und Gehaltsabrechnung und führt fortlaufend automatisierte Abweichungsanalysen durch.

Vorher brauchte ein Finanzteam die ersten fünf bis sieben Werktage jedes Monats, um Daten zu beschaffen, abzugleichen und eine Präsentation zu formatieren, die bereits veraltet war, wenn sie dem Führungsteam vorgelegt wurde. Jetzt sind dieselben Informationen innerhalb von Stunden verfügbar – mit KI zur Datenaufbereitung und Abweichungserkennung, und einer Person, die die Ergebnisse im Hinblick auf Kontext und Ermessen prüft.

Das Resultat zeigt sich branchenübergreifend konsequent:

  • Die Monatsabschlusszyklen verkürzen sich um etwa 30 bis 40 %.
  • Die Erstellung von Board-Präsentationen reduziert sich von etwa 3 Tagen auf unter 6 Stunden.
  • Die Fehlerquote sinkt, weil durch weniger manuelle Schritte auch weniger manuelle Fehler entstehen.
  • Finanzteams können ihre Energie vom Datensammeln auf echte Geschäftsanalysen umlenken.
  • Die Entscheidungsqualität im gesamten Unternehmen steigt, weil der CFO die Finanzdaten in Echtzeit hinterfragen kann.

Die Technologie ist nicht kompliziert. Was den meisten Teams fehlt, ist die Bereitschaft, den Arbeitsprozess neu zu gestalten.

Ein KI-gestützter Monatsabschluss- und Reporting-Workflow

Hier der Schritt-für-Schritt-Ablauf des Abschluss- und Reporting-Prozesses:

  1. Automatisierter Datenabruf über Fivetran: Ein geplanter Pipeline-Prozess zieht alle 24 Stunden Daten aus Buchhaltungssoftware, CRM und Gehaltsabrechnung in eine saubere, zentrale Datenbank.
  2. KI-gestützter Abgleich und Abweichungsmarkierung über BlackLine: Die KI-Schicht vergleicht Ist-Zahlen mit dem Budget für jede wesentliche Position, markiert Abweichungen oberhalb definierter Schwellen und generiert eine verständliche Erklärung zu jedem Hinweis.
  3. Menschliche Überprüfung: Die Finanzleitung sichtet alle Auffälligkeiten, ergänzt Geschäftskontext und entscheidet, was weiterverfolgt werden soll. Unterstützung erfolgt durch FloQast AI für Abweichungskommentare.
  4. Dashboard- und Berichtsoutput mit Datarails: Ein formatiertes Board-Deck und eine Executive Summary werden aus den geprüften Daten automatisch erstellt und sind direkt versandfertig.

Was früher 3 Tage gedauert hat, benötigt heute nur noch 4 bis 6 Stunden.

Praxisbeispiele: Wie KI beim Monatsreporting hilft – und schadet

Hier ein Beispiel: Ich arbeitete mit einem Fintech der Serie B zusammen, bei dem wir ein KI-basiertes System zur Überwachung des Cashflows installierten, das ein Klumpenrisiko auf Kundenseite sechs Wochen erkannte, bevor daraus ein Liquiditätsproblem wurde.

Das Modell entdeckte ein Muster im Forderungsbestand, das einem menschlichen Prüfer in den vorangegangenen Monatsabschlüssen entgangen war. Dieser einzelne Hinweis war den gesamten Implementierungskosten überlegen.

Auf der negativen Seite hatte ich einen Kunden, bei dem die KI-generierte Prognose in Monaten mit hoher Rechnungsvariabilität um 15 bis 20 % danebenlag. Das Modell war auf historische Muster trainiert worden, die eine kürzliche Änderung im Umsatzmix nicht abbildeten. Das Ergebnis wirkte professionell und überzeugend, und niemand stellte es in Frage, bis der CFO die Abweichung in einer Vorstandssitzung bemerkte.

Ein selbstsicher wirkendes Ergebnis ist nicht dasselbe wie ein verlässliches.

KI bestimmt das „Was“ — Menschen das „Und dann?“

Die Tätigkeiten, die sich am besten für KI eignen, sind diejenigen mit klaren Regeln, historischen Mustern und hoher Wiederholbarkeit. Ich setze KI ein für:

  • Prognosemodell-Läufe
  • Abweichungsanalysen
  • Cashflow-Szenario-Modellierung
  • Erkennung von Anomalien
  • Standardberichte

Dort, wo Menschen weiterhin eingebunden bleiben, geht es um Entscheidungen zur Kapitalallokation, Abwägungen bei Risiken, Vertragsverhandlungen, Investorenkommunikation, Auslegungen von Vorschriften und alles, was unternehmerisches Hintergrundwissen verlangt, das nicht in den Daten enthalten ist. Ein Modell kann einen steigenden Burn Rate melden. Es kann Ihnen aber nicht sagen, dass der Grund dafür ein Beziehungsproblem bei den Gründern oder ein Vertriebsmitarbeiter ist, der bewusst seine Pipeline niedrig hält.

Mein mentales Modell dazu: KI bestimmt das „Was“, Menschen das „Und dann?“

Das ist eine der praktischsten Herangehensweisen, um über KI-Integration in der Finanzfunktion nachzudenken. Ohne das jeweils andere ist keine Seite vollständig, und beide Fehlentwicklungen (Überautomatisierung oder Unterautomatisierung) kosten Unternehmen echtes Geld.

Warum Überautomatisierung und übertriebenes Vertrauen in KI große Risiken für Finanzteams sind

KI bringt viele Vorteile mit sich. Aber die Schattenseiten sind ebenfalls real.

KI erzeugt ein trügerisches Gefühl von Sicherheit, wenn die zugrundeliegenden Daten nicht sauber sind. Ich habe Finance-Teams erlebt, die KI-generierten Abweichungsberichten vertrauten, ohne die Qualität der Quelldaten zu hinterfragen – das birgt reale Risiken.

Es gibt zudem die Falle der Überautomatisierung: Entfernt man zu viele Kontrollschritte durch Menschen, verliert man das institutionelle Wissen, das Dinge erkennt, die Modelle nicht sehen können.

Ich denke, in diesem Bereich braucht es mehr ehrliche Berichte und weniger Marketing-Hype von Anbietern.

Wo KI an ihre Grenzen stößt

Im Finanzbereich hat KI vor allem in drei Bereichen Schwächen.

Erstens hatte ich erwartet, dass KI bei der Auslegung von Vorschriften und der regulatorischen Beurteilung weiter wäre. In meinen Jahren bei der Signature Bank und der Amalgamated Bank bestand ein Großteil der Arbeit an finanziellen Kontrollen aus nuancierten Abwägungen: regulatorische Leitfäden lesen, Erwartungen der Prüfer vorausahnen, wissen, wann eine Zahl technisch zwar korrekt ist, aber dennoch auffällig sein sollte. Heute können KI-Tools relevante Regeln herausfiltern und Leitfadendokumente zusammenfassen. Aber sie können nicht die Urteilskraft nachbilden, die sich nur durch jahrelanges Gegenübersitzen mit Aufsichtsbehörden entwickelt.

Zweitens: Erstellung von Prüfnachweisen und Nachvollziehbarkeit in komplexen Finanzabläufen. Als ich das Investor Relations Management der Signature Bank für ein Institut mit über 110 Mrd. USD betreute, musste jede Zahl, die in eine SEC-Meldung, einen Earnings Call oder eine regulatorische Einreichung einging, eine dokumentierte Prüfungshistorie und einen klaren menschlichen Verantwortlichen haben. KI-generierte Ergebnisse, besonders solche von Systemen auf Basis großer Sprachmodelle, verfügen selten über eine nachvollziehbare Begründungskette, die einen Prüfer oder externen Auditor zufriedenstellen würde. Das Ergebnis kann richtig sein, aber man kann nicht immer den Weg dahin so belegen, wie es ein Compliance-Umfeld verlangt.

Drittens: Frühphasen-Unternehmen mit chaotischer Datenstruktur. Das KI-Versprechen setzt voraus, dass die Daten halbwegs sauber und verknüpft sind. Die meisten Startups haben das aber nicht. Schauen wir uns das genauer an.

Warum jede KI-Initiative mit einer Datenprüfung starten sollte

Die wahre Engstelle ist die Datenqualität. Nicht das Modell, nicht das Tool, nicht der Anbieter. Bei meinem ersten KI-gestützten Finanzprojekt bin ich davon ausgegangen, dass die Technologie der schwierige Teil sein würde. Das war nicht der Fall. Die eigentliche Schwierigkeit lag darin, festzustellen, dass die Finanzdaten des Unternehmens in drei verschiedenen Systemen abgelegt waren, die nicht miteinander kommunizierten, mit uneinheitlichen Namenskonventionen und monatelangen Lücken. Wir verbrachten etwa 60 % der Projektzeit mit Datenbereinigung, bevor die KI-Werkzeuge etwas Nützliches leisten konnten.

Jede KI-Initiative sollte mit einer Datenprüfung beginnen, nicht mit der Auswahl eines Tools. Man sollte wissen, welche Daten man hat, wo sie liegen, wie sauber sie sind und ob sie ausreichend strukturiert sind, damit ein Modell daraus lernen kann. Dieser einzelne Schritt würde Wochen an Nacharbeit sparen und die Erwartungen des Managements deutlich früher justieren.

Das alte Modell war: mehr Leute einstellen, um mehr Erkenntnisse zu gewinnen. Das neue Modell ist: besseres Datenfundament schaffen und dann KI nutzen, um den Output des bestehenden Teams zu multiplizieren. Das ist eine andere Entscheidung zur Kapitalallokation, und die meisten Finanzleiter haben sie noch nicht getroffen.

Wie sich Finanzteams durch KI verändern

Die größte Veränderung, die ich in Teams beobachtet habe, ist eine Verdichtung der Ebene der Junior-Analysten. Aufgaben, für die früher zwei bis drei Analysten nötig waren – wie das Abrufen von Daten, Abstimmungen und einfache Abweichungsanalysen – können jetzt von einer KI-Schicht erledigt werden, wobei eine Person die Ergebnisse überwacht. Das bedeutet nicht zwangsläufig, dass weniger Personal benötigt wird. Meistens wird dasselbe Personal auf höherwertige Aufgaben umverteilt: Business-Partnerschaften, Szenarioanalysen, Investorenkommunikation und strategische Planung.

Auch das Anforderungsprofil eines starken Neueinstiegs in den Finanzbereich wandelt sich. Die besten Kandidaten, nach denen ich heute suche, sind nicht nur stark im Rechnungswesen oder in der Finanzmodellierung. Sie wissen, wie man mit KI-Ergebnissen arbeitet, können einschätzen, wann ein Modell vertrauenswürdig ist und wann man es hinterfragen muss, und sie können finanzielle Erkenntnisse verständlich an Nicht-Finanzmitarbeitende kommunizieren. Diese Kombination aus finanzieller Präzision, KI-Kompetenz und Kommunikationsstärke ist aktuell selten und sehr gefragt.

Was CFOs lernen müssen, um im nächsten Jahrzehnt erfolgreich zu sein

Was CFOs lernen müssen, um im nächsten Jahrzehnt erfolgreich zu sein

Die CFOs, die im nächsten Jahrzehnt erfolgreich sein werden, werden sich deutlich von denen unterscheiden, die im vergangenen Jahrzehnt erfolgreich waren. Die technischen Finanzfähigkeiten (Modellierung, Berichterstattung, Compliance) werden zunehmend zur Grundvoraussetzung, die von KI übernommen wird. Die Fähigkeiten, die großartige CFOs auszeichnen, sind Urteilsvermögen, Kommunikation, strategisches Denken und die Fähigkeit, in unsicheren Situationen zu führen.

Mein Rat ist, in die Fähigkeiten zu investieren, die KI nicht nachbilden kann. Bauen Sie stärkere Beziehungen zu Geschäftsführenden auf. Verbessern Sie Ihre Fähigkeit, Finanzwissen an Nicht-Finanzpublikum zu vermitteln. Entwickeln Sie echtes strategisches Urteilsvermögen, nicht nur Analysefähigkeiten. Diese Fähigkeiten werden in einer KI-unterstützten Zukunft die Spitzen-CFOs auszeichnen.

Vier Schritte, die jeder CFO gehen sollte

Vier Dinge, die ich jedem CFO im Moment ans Herz lege:

Erstens: Führen Sie zuerst ein Daten-Audit durch. Finden Sie heraus, wo Ihre Finanzdaten liegen, wie sauber sie sind und ob sie ausreichend strukturiert sind, damit ein Modell damit arbeiten kann.

Zweitens: Starten Sie mit einem Workflow. Die CFOs, die ich mit KI erfolgreich gesehen habe, wählen den schmerzhaftesten, sich am meisten wiederholenden Prozess in ihrer Funktion – meistens der Monatsabschluss oder das Board-Deck – und gestalten erst den Workflow neu, bevor sie ihn automatisieren. Diese Reihenfolge ist entscheidend. Entwickeln Sie den Workflow auf dem Papier, bevor Sie ihn in einem Tool bauen. Dokumentieren Sie jeden Schritt, den Sie automatisieren möchten, identifizieren Sie, welche Schritte regelbasiert (KI-tauglich) und welche von Urteilsvermögen abhängig (menschlich erforderlich) sind, und bauen Sie daraufhin weiter.

Drittens: Definieren Sie Kontrollpunkte für menschliche Überprüfung, bevor Sie live gehen. Jedes KI-Ergebnis in einem Finanzprozess sollte einen menschlichen Verantwortlichen haben, der die Freigabe gibt.

Viertens: Messen Sie den Ausgangszustand, bevor Sie starten. Wenn Sie nicht wissen, wie lange Ihr aktueller Abschluss dauert oder wie hoch Ihre aktuelle Vorhersageabweichung ist, können Sie nicht beweisen, dass KI es verbessert hat.

Diese vier Schritte klingen einfach, und das sind sie auch. Aber die meisten Organisationen überspringen zwei oder drei davon, weil sie schnell zur Technologie wollen. Das ist meist der Grund für Enttäuschungen.

Folgen Sie mit

Sie können die Arbeit von Andrew Lokenauth auf LinkedIn, YouTube und seiner persönlichen Webseite verfolgen. Oder schauen Sie sich The Finance Newsletter und seine Seite BeFluentInFinance.com an.

Weitere Experteninterviews folgen auf The CFO Club!

You may also like