KI verändert die Fähigkeiten von Finanzteams

Christian Wattig ist der Gründer von Inside FP&A, einer Online-Kursplattform, die Finanzteams darin schult, bessere Geschäftsentscheidungen zu treffen. Er hat Führungskräfte von Unternehmen wie Google, Merck, Lowe’s und Discover ausgebildet und war zudem in Finanzpositionen bei Procter & Gamble, Unilever und Squarespace tätig.

Wir haben uns mit ihm zusammengesetzt, um zu verstehen, welche Fähigkeiten Finanzleiter heutzutage benötigen, da KI inzwischen einen Großteil der Arbeit übernehmen kann. Das hat er uns erzählt.

Führung im FP&A

Ich bin FP&A-Experte, Online-Kursanbieter und Corporate-Trainer. Mit meinen Präsenzprogrammen habe ich Finanzteams unter anderem bei Google, Merck, Lowe’s und Discover dazu befähigt, bessere Geschäftsentscheidungen zu treffen. Außerdem leite ich das FP&A-Zertifikatsprogramm an der Wharton School der University of Pennsylvania und teile Einblicke auf LinkedIn und in meinem wöchentlichen Newsletter.

Bevor ich meine Online-Kursplattform Inside FP&A gründete, verbrachte ich über ein Jahrzehnt bei Procter & Gamble und Unilever, wo ich FP&A- und Buchhaltungsteams in globalen Märkten leitete. Davor war ich zudem in schnell wachsenden Tech-Unternehmen tätig, unter anderem half ich, Squarespace an die Börse zu bringen, und bereitete die erste Finanzpräsentation des Unternehmens für Wall-Street-Analysten vor.

Wie KI im FP&A eingesetzt werden sollte

Christian teilt mit

Man braucht heute kein Data-Science-Team oder teure Software mehr, um eine algorithmische Prognose zu erstellen. ChatGPT, Claude und Gemini sind hervorragend darin, statistische Prognosen zu erzeugen.

KI sollte für den ersten Entwurf von Analysen und Modellaufbauten genutzt werden.

„Erster Entwurf“ ist hierbei der entscheidende Begriff. Viele berichten mir, sie hätten erwartet, dass KI 95% ihrer Modellierungsaufgaben übernehmen würde – doch um richtig gute Finanzmodelle zu erhalten, ist es nötig, die Ergebnisse intensiv zu prüfen. Das nimmt einen Großteil der Zeitersparnis wieder weg.

Sie eignet sich auch hervorragend für Prognosen mittels Zeitreihenanalysen. Man braucht heute kein Data-Science-Team oder teure Software mehr, um eine algorithmische Prognose zu erstellen. ChatGPT, Claude und Gemini sind hervorragend darin, statistische Prognosen zu erzeugen. Alles, was man tun muss, ist, ihnen historische Daten zu geben und sie zu bitten, Python-Code für ein ARIMA-Modell in Excel zu erstellen.

Weitere alltägliche Einsatzbereiche von KI im FP&A bei mir sind:

• Varianzanalyse: Treiberbäume erstellen, um Abweichungen zu erklären.
• Vorbereitung auf Meetings mit Geschäftspartnern: So gehe ich vorbereitet in Termine, um gezielt die richtigen Infos einzuholen.
• Budgetprüfungen: Risiken und Chancen im Budget eines Geschäftspartners erkennen, ohne die Beziehung zu belasten.
• Berichte verfeinern: Die Geschichte hinter den Zahlen erzählen
• Präsentationen für das Board: Kritische Fragen schon vorausahnen, bevor sie gestellt werden

Beispiele für Prompts zu diesen Anwendungsfällen finden Sie hier.

Manche Aufgaben müssen jedoch beim Menschen bleiben:

• Tiefgehende Analysen
• Business-Partnerschaften
• Beeinflussen/Überzeugen
• Abwägungen treffen

Warum die Varianz bei KI-Prognosen von den Eingaben abhängt

Vor einigen Jahren, als ich ein FP&A-Team bei einem großen Konsumgüterkonzern leitete, war ich für die Planung des Working Capitals verantwortlich. Es war eine Mammutprognose mit Dutzenden Teilprognosen für einzelne Posten und Geschäftsbereiche, die alle zur Gesamtzahl des Unternehmens zusammenliefen. Weil sie so komplex und zeitaufwendig war, wählten wir sie aus, um erstmals einen Machine-Learning-Ansatz zu testen.

Wir vergaben die Entwicklung des KI-Modells an einen externen Partner. Als wir die ersten Ergebnisse des neuen Modells erhielten und sie einen Monat später mit den Ist-Zahlen verglichen, waren wir begeistert. Die Prognose war deutlich genauer als unsere bisherigen Ergebnisse. Ich war sicher, dass dieses Projekt ein voller Erfolg werden würde – bis das Führungsteam eine Erklärung für die verbliebene Varianz zwischen den Prognosen des Machine-Learning-Modells und den tatsächlichen Ergebnissen verlangte.

Ich hatte keine Ahnung, wie ich diese Frage beantworten sollte, weil ich nicht an der Entwicklung des Modells beteiligt war. Also wandte ich mich an den für das Modell verantwortlichen Data Scientist beim Drittanbieter. Ich ging so vor, wie ich auch eine Abweichung in einem traditionellen Excel-Forecast-Modell analysieren würde: Ich bat ihn, mir zu erklären, wie das Modell funktioniert, damit ich herausfinden konnte, was die Abweichung verursacht haben könnte. Er sagte: „Wir verwenden ein Ensemble verschiedener Machine-Learning-Algorithmen. Diese treten jeden Monat gegeneinander an, und das Modell mit der besten Performance liefert die Prognose. Konkret setzen wir Machine-Learning-Algorithmen wie DeepAR von Amazon, Temporal Fusion Transformer von Google und traditionelle Ansätze wie Holt-Winters sowie Autoregressive Integrierte Moving-Average-Modelle ein. Insgesamt umfasst das Ensemble 12 verschiedene Algorithmen, die miteinander konkurrieren. Wir führen für jeden Backtests durch und wählen dann das mit der höchsten Genauigkeit.“

Ich habe mehr als die Hälfte von dem nicht verstanden, was er sagte, also fragte ich weiter: „Okay, warum glaubst du, dass trotzdem noch eine so große Abweichung zwischen den Ist-Ergebnissen und den Prognosen des Modells existiert?“ Er antwortete, dass er keine Ahnung habe, weil er unser Geschäft nicht verstehe.

Die Situation war also: Ich verstand nicht, wie das Machine-Learning-Modell funktionierte, und der Data Scientist verstand nicht, wie das Geschäft funktionierte. Wie sollten wir da eine Abweichung erklären? Ich überlegte mir verschiedene Lösungen für dieses Problem. Sollten wir den Data Scientist zu uns ins Büro einladen, damit wir erklären können, wie das Geschäft funktioniert? Soll jemand aus unserem Team einen Kurs zu Machine Learning und Data Science belegen? War es überhaupt möglich, das zu lernen, ohne einen Abschluss in Mathematik oder Informatik zu haben?

Es dauerte eine Weile, aber schließlich wurde mir klar, dass ich das Problem völlig falsch betrachtete. Tatsächlich versuchte ich, das völlig falsche Problem zu lösen. Beim Machine Learning erklärt man Abweichungen nicht, indem man auf Schwächen des Modells selbst hinweist. Die fortschrittlichsten Algorithmen werden nicht umsonst „Black Box“-Modelle genannt – selbst die Entwickler verstehen manchmal nicht alle Schlussfolgerungen, die daraus entstehen. Mir wurde klar: Es kommt alles auf die Eingabedaten an. Was man hineinsteckt, kommt auch wieder heraus.

Um Abweichungen beim Machine Learning zu erklären, muss man untersuchen, ob die dem Modell zugeführten Datenpunkte korrekt und ausreichend sind. Am besten gelingt das durch die Kombination von Experimentieren mit einem Ansatz namens „Backtesting“. Mit KI-Modellen kann man so tun, als hätte das letzte Jahr noch nicht stattgefunden, und das Modell um eine Vorhersage bitten. Zum Beispiel kann ich im Mai 2026 das KI-Modell bitten, eine Prognose für 2025 zu erstellen, indem ich historische Daten von 2020 bis 2024 einspeise. Dann kann man die Prognose direkt mit den echten Ergebnissen vergleichen, die Datenpunkte anpassen und die Modelle erneut testen.

Am Ende erkannten wir, dass sich die Prognosegenauigkeit deutlich verbesserte, als wir dem Modell zusätzliche Daten aus unseren Inventursystemen zur Verfügung stellten – Datenpunkte, die wir bisher nie berücksichtigt hatten, da sie unser traditionelles, tabellenbasiertes Modell nur noch komplexer gemacht hätten.

Warum CFOs Prozesse standardisieren müssen, bevor sie KI einführen

KI behebt keine fehlerhaften Finanzprozesse – sie skaliert sie.

Ich habe genug Finanzteams gesehen, die neue Technologien einführen, um zu wissen, wie das abläuft. Die Tools verstärken alles, was bereits vorhanden ist – ob gut oder schlecht.

Wenn Ihre Abweichungskommentare heute chaotisch sind, z.B. jeder Analyst schreibt sie unterschiedlich, es gibt keine festgelegten Schwellenwerte, keine einheitliche Struktur – wird die KI genau dieses Chaos auf jeden Kostenstellenbereich übertragen, flüssig und schnell. Wenn Ihr Modell keine Dokumentations- oder Namensstandards hat, hilft Ihnen KI, es umso selbstbewusster kaputtzumachen. Wenn Ihre Prognose jeden Monat um 20% schwankt, ohne klare Begründung, hält die KI die Schwankung aufrecht – nur mit besserem Layout.

Die Finanzteams, die ich sehe und die echten Nutzen daraus ziehen, sind nicht diejenigen mit dem ausgefeiltesten Setup. Es sind diejenigen, die bereits wussten, wie „gut“ aussieht. Sie hatten Vorlagen. Sie hatten eine funktionierende Definition von „nützlich“. Sie haben die wenig glamouröse Arbeit der Standardisierung erledigt, bevor sie die KI überhaupt nach etwas gebeten haben.

Warum Finanzteams Greg Brockmans Prompting-Methode nutzen sollten

Viele Finanzteams tun sich schwer damit, gute Ergebnisse aus ihren KI-Tools zu erhalten, weil ihre Prompts zu kurz oder nicht spezifisch genug sind. Sie behandeln KI, als wäre es eine Google-Suche.

Ich empfehle immer die Methode von Greg Brockman für das Prompting von Reasoning-Modellen:

1. Ziel
2. Ausgabeformat
3. Warnhinweise
4. Kontext

Mit diesem Ansatz erzielen Teams ausnahmslos bessere Ergebnisse.

Wie CFOs das Recruiting für das KI-Zeitalter neu gestalten sollten

Christian teilt seine Erfahrungen

Achten Sie auf Überheblichkeit, auf Tool-zentriertes Denken, schwache Kommunikation und das Fehlen von Abwägungen. Diese drei Übungen helfen Ihnen, die oben genannten Eigenschaften zu bewerten.

CFOs müssen ihre Auswahlprozesse für Bewerber neu gestalten. Das KI-Zeitalter erfordert andere Fähigkeiten.

Traditionell konzentrieren sich Führungskräfte auf Schnelligkeit in Tabellenkalkulationen, Excel-Kenntnisse und die Qualität des Reportings. Doch all diese Aufgaben werden mittlerweile durch KI automatisiert. Stattdessen sollten Sie nach Folgendem suchen:

• Urteilsvermögen unter Unsicherheit
• Business-Kommunikation
• Systemisches Denken
• Lernfähigkeit
• Datenkompetenz

Wenn Sie Kandidaten für irgendeine Rolle interviewen, probieren Sie Folgendes:

• Geben Sie den Kandidaten eine kurze, plausible, KI-generierte Varianzerklärung oder Leistungszusammenfassung. Fragen Sie, was fragwürdig ist und was überprüft werden sollte. Bitten Sie sie anschließend, das Ganze in wenige Stichpunkte für eine Führungskraft umzuwandeln.
• Bitten Sie die Kandidatin oder den Kandidaten, Ihnen die ersten fünf Fragen zu nennen, die sie stellen würden, um herauszufinden, warum die Umsatzprognose abgewichen ist — und warum.
• Sagen Sie dem Kandidaten, dass Sie im kommenden Quartal mit Margendruck und Nachfragenunsicherheit rechnen. Bitten Sie ihn, drei Szenarien zu definieren, die wichtigsten Treiber zu benennen und eine Handlungsempfehlung für das Jetzt auszusprechen.

Achten Sie auf Überheblichkeit, Tool-zentriertes Denken, schwache Kommunikation und das Fehlen von Abwägungen. Diese drei Übungen helfen Ihnen, die oben genannten Eigenschaften zu bewerten.

Warum strategische Fähigkeiten und tiefgehende Analysen jetzt entscheidend sind

Finanzteams müssen wissen, worauf sie optimieren.

Wenn sie dank KI all diese Zeit einsparen, erwarten Führungskräfte von ihnen, auf andere Weise Mehrwert zu schaffen – indem sie strategische Partner werden und tiefgründige Analysen liefern. Sie sollen die Verbindung zwischen operativen Kennzahlen und finanziellen Ergebnissen herstellen, um konkrete Empfehlungen zu geben, wie das Unternehmen Chancen nutzen oder Risiken minimieren kann.

Mit anderen Worten: Sie müssen sich in den übergeordneten strategischen Finance-Kompetenzen weiterbilden, die KI nicht abdecken kann. Das ist der einzige Weg, einen Platz am Tisch in einer KI-gestützten Zukunft zu sichern.

Zum Weiterlesen

Verfolgen Sie Christian Wattigs Arbeit auf LinkedIn. Lernen Sie außerdem von ihm auf YouTube oder erkunden Sie seine Online-Kursplattform Inside FP&A.

Weitere Experteninterviews folgen im The CFO Club!