Senior Director der CFO-Systeme von LinkedIn: KI wandelt das Finanzwesen von einer Berichtsabteilung zum Betriebssystem

Pankaj Prasoon ist Senior Director für CFO-Systeme & Technologie bei LinkedIn. Er verfügt über zwei Jahrzehnte Erfahrung in angesehenen Unternehmen wie Microsoft und Infosys.

Wir haben Pankaj interviewt, um zu erfahren, wie er die Finanzwelt von Grund auf neu gestaltet. Er berichtete, was mit KI-gestützter Finanzarbeit funktioniert – und was nicht.

Finanzen von einer Reporting-Funktion zum Betriebssystem machen

Ich bin seit fast zwei Jahrzehnten an der Schnittstelle von Finanzen, Unternehmenssystemen und Produktdenken tätig – in Unternehmen wie Microsoft, Infosys und jetzt LinkedIn, wo ich dazu beitrage, die Zukunft der Finanztechnologie zu gestalten.

Mein Weg begann nicht mit KI. Es begann mit Frustration. Frustration darüber, in Besprechungen zu sitzen, in denen zwei Systeme zwei unterschiedliche Zahlen lieferten. Frustration darüber, dass Finanzteams mehr Zeit mit der Aufarbeitung der Vergangenheit als mit der Gestaltung der Zukunft verbringen. Frustration, zu sehen, wie äußerst kluge Finanzleiter durch fragmentierte Systeme und verzögerte Einblicke eingeschränkt werden.

KI ist eine antreibende Kraft. Sie legt all das offen, was schon bisher nicht funktioniert hat:

• Starre Prozesse
• Verzögerte Erkenntnisse
• Übermäßige Abhängigkeit von manuellen Bewertungen
• Systeme, die für Kontrolle statt für Intelligenz ausgelegt sind

Was mich an dieser Entwicklung begeistert, ist nicht Automatisierung – sondern Verstärkung. Zum ersten Mal können Finanzleiter von Rückblick zu Voraussicht wechseln, vom Berichten zum Gestalten und von Effizienz zu Wirksamkeit.

Mein aktueller Fokus liegt darauf, das zu entwickeln, was ich ein Finanztechnologie-Strategie- & Plattform-Modell nenne – bei dem Architektur, Produktdenken und KI zusammenkommen, um ein System zu erschaffen, das das Geschäft nicht nur abbildet, sondern aktiv formt. Denn die Zukunft der Finanzen besteht nicht darin, Bücher schneller zu schließen. Es geht darum, dem Unternehmen zu helfen, bessere Entscheidungen zu treffen, noch bevor die Zahlen geschrieben sind.

Pankaj teilt mit

KI ist eine antreibende Kraft. Sie legt all das offen, was schon bisher nicht funktioniert hat.

Leitung der CFO-Organisation von LinkedIn

Ich leite Finance Technology & Platforms innerhalb der CFO-Organisation von LinkedIn – ein globales, milliardenschweres Unternehmen, das mit Skaleneffekten über verschiedene Länder, Produkte und Regulierungen hinweg operiert.

Die Komplexität entspricht dem, was man in dieser Größenordnung erwartet:

• Verschiedene Einnahmequellen in Talent Solutions, Marketing und Premium
• Globale Präsenz mit regionsspezifischen Anforderungen an Compliance, Steuern und Betriebsmodelle
• Tiefe Integration zwischen Finanz-, Vertriebs-, HR- und Produkt-Systemen

Aber die eigentliche Herausforderung ist nicht die Größe. Es ist die Vernetzung.

Finanzen stehen heute im Zentrum jeder wichtigen Entscheidung:

• Planung und Prognose über dynamische Geschäftszyklen hinweg
• Kapitalallokation mit immer größerer Präzision steuern
• Wachstum unterstützen und dabei Disziplin und Kontrolle bewahren

Wir agieren weniger wie ein klassisches Finanztechnologie-Team und mehr wie eine Produktorganisation, die in die Finanzen eingebettet ist – verantwortlich nicht nur für Systeme, sondern für Resultate. Denn in dieser Größenordnung geht es im Finanzbereich nicht nur um Zahlenverwaltung. Es geht darum, wie das Unternehmen Entscheidungen schnell, klar und mit Überzeugung trifft.

Wo CFOs mit KI beginnen sollten

Die meisten CFOs beginnen ihre KI-Reise mit Überlegungen zu Anwendungsfällen, Tools, Anbietern und ROI. Aber KI funktioniert nicht isoliert. Sie baut auf Ihren Daten, Prozessen, Ihrem Betriebsmodell und Ihrer Entscheidungsdisziplin auf.

Wenn diese fragmentiert sind, vereinfacht KI sie nicht – sie verstärkt die Fragmentierung. Man erhält keine besseren Antworten, sondern schnellere falsche Antworten.

Bevor Sie also fragen: „Wo können wir KI einsetzen?“, fragen Sie lieber: „Ist unser Finanzsystem so konzipiert, dass es konsistente, entscheidungsbereite Daten liefert?“ Denn KI ist keine Strategie. Sie ist ein Beschleuniger für das System, das bereits besteht.

Konzentrieren Sie sich auf:

• Eine klare Quelle der Wahrheit (Definitionen, Kennzahlen, Governance)
• Standardisierte Prozesse in allen Finanzbereichen
• Ein stabiles Daten- und Architektur-Backbone
• Eine Kultur, die es schätzt, Ergebnisse zu hinterfragen, statt sie einfach zu akzeptieren

Wie die Integration von KI Finanz-Workflows verbessert

Hier sind die Verbesserungen, die ich mit KI im Finanzwesen gesehen habe:

• Reduzierung der Durchlaufzeiten (30–60 %): Abweichungsanalysen, die früher 2–3 Tage dauerten, erfolgen inzwischen in wenigen Stunden, und auch die Unterstützung bei Monatsabschlüssen (Analysen, Abstimmungsaufgaben) wurde erheblich verkürzt. Hier liefert KI sofort – durch Geschwindigkeit.
• Prognosegenauigkeit (5–15 % Verbesserung bei kurzfristigen Horizonten): Kurzfristige Prognosen (4–8 Wochen) wurden deutlich besser; KI erkannte Frühindikatoren, die von Menschen übersehen wurden (Nutzungsverläufe, Verhaltenssignale). Eine wichtige Nuance: Die Genauigkeit verbesserte sich stärker in stabilen, weniger in volatilen Umgebungen.
• Produktivitätssteigerung (20–40 % Analystenkapazität freigesetzt): Analysten verbringen weniger Zeit mit der Datensammlung und mehr mit deren Auswertung. Ein Analyst kann jetzt die Arbeit übernehmen, für die früher 1,5–2 Vollzeitkräfte erforderlich waren. Das führt nicht immer zu Kostensenkungen – aber zu einer besseren Nutzung von Talenten.
• Frühere Risikoerkennung (Tage → nahezu in Echtzeit): Liquiditätsrisiken, Anomalien und Ausreißer werden schneller erkannt; der „Überraschungseffekt“ in Geschäftsberichten sinkt. Das ist subtil, aber wirkungsvoll – weniger Last-Minute-Eskalationen.

Das hat sich nicht verbessert (oder sogar verschlechtert):

• Übermäßiges Vertrauen in Ergebnisse: KI-generierte Darstellungen wirken plausibel, selbst wenn sie falsch sind. Anfangs begannen Teams, Ergebnisse ungeprüft zu akzeptieren – das ist gefährlicher als manuelle Fehler.
• Scheingenauigkeit: KI schafft die Illusion von Gewissheit: „Prognose sagt 97,2 % Sicherheit“. Finanzentscheidungen sind jedoch keine rein probabilistischen Aufgaben – sie basieren auch auf Strategie, Timing und Kontext.
• Abhängigkeit von Daten legt Schwächen offen: KI löst keine Datenprobleme. Sie verstärkt sie sogar: inkonsistente Hierarchien, schlechte Stammdaten, fragmentierte Systeme. Kommt Müll rein, wird Müll verstärkt ausgegeben.
• Wenig Einfluss auf die Langfristplanung: In der Jahresplanung, bei strategischen Szenarien und Investitionsentscheidungen kam KI an ihre Grenzen. Denn hier geht es nicht um Muster, sondern um (menschliche) Bewertung.

Die unbequeme Wahrheit ist, dass KI die Kosten in der Finanzabteilung nicht so stark gesenkt hat wie erhofft. Die Kosten haben sich von manueller Arbeit hin zu Rechenleistungen, von händischem Aufwand zu Modell-Governance und von Analysten hin zu Ingenieuren und Dateninfrastruktur verlagert.

Warum KI Finanzentscheidungen unterstützt, aber Menschen das Urteilsvermögen behalten

Hier ist die einfachste Einteilung zwischen KI- und Mensch-Aufgaben: KI sollte Muster erkennen, Menschen sollten Entscheidungen treffen.

Ich setze KI in Bereichen ein, in denen es auf Skalierbarkeit, Geschwindigkeit und Mustererkennung ankommt und nicht so sehr auf Urteilsvermögen:

• Prognosen (kurzfristig und rollierend): KI integriert viele Signale – historische Daten, Saisonalität, Pipeline-Daten, externe Indikatoren – und aktualisiert Prognosen laufend. Dadurch entfallen Vorurteile aus statischer, kalendergetriebener Planung.
• Abweichungsanalysen: KI kann Abweichungen in Tausenden von Dimensionen sofort aufschlüsseln: Was hat sich geändert, wo und warum wahrscheinlich? Das hat früher Tage gedauert. Jetzt fast in Echtzeit.
• Liquiditätsmuster: Nicht zur Entscheidungsfindung, sondern zur Signalerkennung: Zahlungstrends, Inkassorisiken und Liquiditätsmuster. KI hilft, Risiken früher zu erkennen als traditionelle Berichte.
• Risikoeerkennung (operativ und finanziell): KI ist sehr effektiv bei der Erkennung von Unregelmäßigkeiten: ungewöhnliche Transaktionen, Kontrollabweichungen, Ausreißer. Sie „versteht Risiko“ nicht, markiert aber, wo man genauer hinschauen sollte.

Aber ich belasse es bewusst beim Menschen, wenn Kontext, Abwägungen und Verantwortlichkeit entscheidend sind:

• Kapitalzuweisung: Kein Modell versteht Strategie, Timing oder Wettbewerbssituation so wie die Unternehmensführung. KI kann Szenarien aufzeigen – aber nicht entscheiden, wo investiert werden soll.
• Langfristige Planung und Budgetierung: Budgets sind keine Prognosen – sie sind Verpflichtungen. Sie spiegeln Absichten, Prioritäten und Abwägungen im gesamten Unternehmen wider.
• Endgültige Risikobewertungen: KI kann Anomalien aufzeigen, aber was ist ein akzeptables Risiko? Welcher Kompromiss ist lohnenswert? Das sind Führungsentscheidungen, keine Modellergebnisse.
• Business-Partnering und Einflussnahme: Finanzen drehen sich nicht nur um Zahlen – es geht darum, Entscheidungen zu beeinflussen: Annahmen zu hinterfragen, die Stimmung im Raum zu erfassen und die Absicht hinter Anfragen zu verstehen. KI fehlt jeglicher Kontext für menschliche Dynamiken.

Wenn KI Ihre Entscheidungen trifft, sind Sie zu weit gegangen. Wenn KI Ihre Entscheidungen nicht informiert, nutzen Sie sie nicht genug.

Warum KI den Finanzbereich noch nicht vollständig automatisiert hat

Die Erzählung lautete: „KI wird die Finanzen automatisieren.“

Das ist nicht eingetreten. Bestimmte Arbeitsabläufe wurden automatisiert, aber es kamen neue Ebenen hinzu:

• Modellvalidierung
• Ausnahmenbehandlung
• Governance- und Prüfanforderungen

Die Realität ist: Man ersetzt Menschen nicht – man verschiebt sie in Überwachungsfunktionen.

Warum KI-Einführung ein Verhaltensproblem ist

Stichwort Mensch: Die Einführung von KI ist kein Technologieproblem – es ist ein Verhaltensproblem.

Anfangs ging ich davon aus, dass wir, wenn wir die richtigen Modelle bauen, diese auch genutzt werden → Erkenntnisse schneller vorliegen → Entscheidungen sich verbessern → Erkenntnisse noch schneller erzielt werden → Genauigkeit steigt → und Vertrauen folgt.

Klingt logisch. Ist aber unvollständig. Wir haben technisch etwas Starkes gebaut: bessere Abweichungserkennung, schnellere Erkenntnisse, klarere Darstellungen. Dennoch war die Akzeptanz uneinheitlich.

Das lag nicht daran, dass Finanzteams zu wenig Einblicke hatten. Sondern daran, dass sie Schwierigkeiten hatten, sich von alten Arbeitsweisen zu lösen.

Analysten bauten Modelle immer noch in Excel nach – „nur zur Validierung“. Führungskräfte vertrauten dem, was sie verstanden, nicht dem, was das Modell vorschlug. Reviews orientierten sich weiterhin an alten Formaten, nicht an neuen Erkenntnissen.

Das System hat sich verändert. Das Verhalten nicht – zumindest nicht sofort.

Ich wünschte, ich hätte Folgendes gemacht:

• Beim Betriebsmodell anfangen, nicht bei der Modellgenauigkeit: Definieren, wie Entscheidungen sich verändern, wie Besprechungen aussehen, was wegfällt – nicht nur, was neu hinzukommt. Statt zu fragen: „Ist das Modell richtig?“, lieber: „Wird das einen heutigen Arbeitsschritt ersetzen?“
• Auf Vertrauen statt nur Intelligenz setzen: Vertrauen entsteht nicht durch Genauigkeitsmetriken oder technische Raffinesse. Es entsteht durch Transparenz, Nachvollziehbarkeit und Beständigkeit über die Zeit. Ich hätte früher investiert, die Ergebnisse herausforderbar statt bloß beeindruckend zu machen.
• Change Management besonders gewichten: Wir behandelten es wie eine Systemeinführung. Dabei war es ein Mentalitätswandel: Von Analyseerstellung hin zur Überprüfung von Erkenntnissen, von Kontrolle zur Zusammenarbeit mit KI – und von Gewissheit zu Wahrscheinlichkeitsdenken.
• Erst Daten und Definitionen klären (mehr als wir es taten): Wir wussten zwar, dass Daten wichtig sind. Aber wir unterschätzten, wie sehr. KI toleriert keine Mehrdeutigkeiten.

Vermeiden hätte ich können:

• Nachbearbeitungsrunden, in denen Teams bereits von KI generierte Ergebnisse erneut erstellt haben
• Übermäßig komplexe Modelle, die keine Entscheidungsänderung gebracht haben
• Frühe Skepsis, die in Wirklichkeit Ausdruck mangelnden Vertrauens war – nicht mangelnder Genauigkeit
• Den Trugschluss, dass bessere Ergebnisse automatisch zu Akzeptanz führen

Warum KI Annahmen zu finanziellen Kontrollen verändert

Im Finanzwesen sind wir darauf trainiert zu denken: Mehr Kontrolle = mehr Genauigkeit; mehr Freigaben = weniger Risiko; mehr Struktur = bessere Ergebnisse. Also haben wir Systeme gebaut, die: starr, sequentiell und darauf ausgelegt sind, Fehler zu vermeiden.

Wir haben auf Vorhersehbarkeit statt auf Reaktionsfähigkeit optimiert; auf Nachvollziehbarkeit, aber nicht immer auf Entscheidungsqualität.

Es hat funktioniert – aber zu einem Preis: Geschwindigkeit, Anpassungsfähigkeit und manchmal sogar Klarheit.

KI funktioniert nicht gut in starren Umgebungen. Sie gedeiht bei: kontinuierlichen Datenströmen, dynamischen Eingaben und Echtzeit-Signalen. Sie hat mir gezeigt, dass Kontrolle nicht durch Einschränkung entsteht – sondern durch Sichtbarkeit.

Ich musste umdenken von:

• Fehlervermeidung im Voraus → Schnelles Erkennen und Korrigieren von Fehlern
• Periodische Überprüfungen (monatlich/quartalsweise) → Kontinuierliche Überwachung
• Überall menschliche Kontrollpunkte → Eingriff nur bei Ausnahmen

So hat sich das gezeigt:

• Prognose: Wechsel von statischen, kalenderbasierten Prognosen → kontinuierlich aktualisierte, signalbasierte Prognosen
• Finanzkontrollen: Weniger umfangreiche Vorabfreigaben → mehr Echtzeit-Anomalieerkennung und nachgelagerte Validierung
• Kapitalallokation: Von Sicherheit → Wahrscheinlichkeits- und szenariobasiertes Denken gewechselt

Der Wandel ist einfach, aber schwierig. Sie müssen von Kontrolle durch Einschränkung auf Kontrolle durch Intelligenz und Transparenz umstellen. Und wenn Sie das einmal verstanden haben, gibt es kein Zurück mehr. Denn das Ziel der Finanzfunktion ist es nicht, jeden Fehler zu verhindern. Sondern bessere Entscheidungen schneller zu ermöglichen – mit genug Kontrolle, statt maximaler Kontrolle.

Warum CFOs die Prognosemethoden neu gestalten sollten

Die meisten Finanzorganisationen erstellen Prognosen immer noch wie im Jahr 2005: monatliche Zyklen, statische Annahmen, aufwendige manuelle Konsolidierung und rückblickende Analysen.

In dieses Modell passt KI nicht.

Wir sind umgestiegen von kalenderbasierten Prognosen, monatlichen Updates, Abweichungsanalysen nach Abschluss, rückblickenden Reviews und viel Vorbereitungsarbeit auf signalbasierte Prognosen:

• Kontinuierliche Prognoseebene: Echtzeit-Signale und laufend aktualisierte Forecasts
• KI-gesteuerte Abweichungserkennung: System meldet Veränderungen und die Finanzabteilung prüft die Ausnahmen
• Entscheidungsorientierte Reviews: Von „Was ist passiert?“ zu „Was wird passieren?“

Das sind die Ergebnisse:

• Zeit bis zur Erkenntnis ↓ ~50%
• Relevanz der Prognosen ↑ signifikant
• Die Rolle der Finanzabteilung wurde zum Entscheidungs-Partner.
• Produktivität der Analysten ↑ 30–40%

Gestalten Sie Forecasting zu einem kontinuierlichen, signalgesteuerten System um. Denn wenn sich das ändert, wird die Finanzabteilung zum aktiven Betreiber des Geschäfts.

Wie KI Prognosen und Abweichungsanalysen verbessert

Für mich bei LinkedIn sind es noch frühe Tage, daher ein Beispiel aus einer früheren Transformation, bei der wir KI direkt in den Prognose- und Abweichungsanalyseprozess integriert haben.

Finanzteams verbrachten unverhältnismäßig viel Zeit damit, was passiert ist zu erklären:

• Manuelle Abweichungsanalysen über hunderte Kostenstellen hinweg
• Statische Prognosen, die monatlich oder quartalsweise aktualisiert wurden.
• Starke Abhängigkeit von Excel-Modellen und menschlicher Mustererkennung
• Wenn Erkenntnisse bereit waren, war das Geschäft bereits einen Schritt weiter.

Wir hatten Daten – aber keinen skalierbaren Weg, sie zu interpretieren. Also haben wir eine KI-basierte Ebene über unsere Planungs- und Ist-Daten gelegt, die Folgendes kann:

• Anomalien und Treiber von Abweichungen automatisch über verschiedene Dimensionen (Region, Produkt, Kostenkategorie) erkennen
• Erste Erklärungsnarrative generieren, die das „Warum“ – nicht nur das „Was“ erklären.
• Prognosen kontinuierlich anhand von Frühindikatoren und nicht nur vergangenheitsbezogenen Trends aktualisieren.

Der eigentliche Wandel war aber nicht das Modell – sondern das Betriebsmodell:

• Die Finanzabteilung wechselte von der Erstellung von Analysen zum Überprüfen und Hinterfragen von Erkenntnissen.
• Forecasts wurden kontinuierlicher und weniger kalendergetrieben
• Betriebsreviews wechselten von „Was ist letzten Monat passiert?“ zu „Was wird als Nächstes passieren?“

Die Verbesserungen waren eindeutig. Die Durchlaufzeit für die Abweichungsanalyse verkürzte sich von Tagen auf Stunden. Die Prognosegenauigkeit stieg, weil wir Echtzeitsignale statt verzögerter Eingaben nutzten. Und am wichtigsten: Das Finanzteam erhielt früher einen Platz am Entscheidungstisch — und nicht erst im Nachhinein.

Die wichtigste Erkenntnis? KI hat das Urteilsvermögen im Finanzbereich nicht ersetzt — sie hat uns gezwungen, es dort einzusetzen, wo es wirklich zählt. Denn der Wert des Finanzbereichs liegt nicht darin, die Vergangenheit besser zu erklären, sondern das Unternehmen zu befähigen, schneller auf die Zukunft zu reagieren.

Warum KI bei Abweichungsanalysen Schwierigkeiten mit Erklärungen hat

Ein Bereich, in dem wir klare Grenzen erlebten, waren von KI erzeugte Abweichungsanalysen im Zusammenhang mit der Finanzberichterstattung.

Die Zahlen stimmten. Aber die Erklärungen waren nicht immer korrekt. Das Modell schrieb zum Beispiel erhöhte Betriebsausgaben einem „Anstieg der Einstellungen in wichtigen Regionen" zu – plausibel, aber falsch. Der tatsächliche Grund waren einmalige buchhalterische Umklassifizierungen und zeitliche Verschiebungen bei Rückstellungen. Das Modell hat Muster gefunden, aber nicht die Realität erkannt.

Das führte dazu, dass die Ergebnisse ungenau, nicht nachvollziehbar und das Vertrauen ins Team geschwächt wurden. So haben wir das behoben:

• KI erzeugt Signale und Hypothesen, aber keine endgültigen Erklärungen.
• Jedes Ergebnis muss nachvollziehbar sein.
• Einführung von „Confidence + Evidence“-Schichten

Menschliche Überprüfung wurde explizit und nicht mehr vorausgesetzt.

Wie CFOs die KI-getriebene Finanztransformation anführen können

Mein Rat: Jagen Sie nicht der KI hinterher. Optimieren Sie die Finanzfunktion — die KI kommt nach.

• Beginnen Sie beim System, nicht beim Tool.
• Gestalten Sie die Arbeit neu, automatisieren Sie sie nicht nur.
• Trennen Sie Signal von Urteil.
• Investieren Sie erst in Vertrauen, bevor Sie skalieren.
• Akzeptieren Sie, dass sich Kosten verlagern, aber nicht verschwinden.
• Seien Sie selbst Vorbild beim Wandel.
• Bauen Sie ein „Finance OS“ auf, keine isolierten Pilotprojekte.

KI macht Sie nicht automatisch zu einem besseren CFO. Aber sie zeigt, ob Ihre Finanzfunktionen von Grund auf dafür ausgelegt sind, Intelligenz zu skalieren.

Pankaj teilt mit

Jagen Sie nicht der KI hinterher. Optimieren Sie die Finanzfunktion — die KI kommt nach.

Bleiben Sie dran

Bleiben Sie dran, während Pankaj Prasoon die Zukunft des Finanzwesens auf LinkedIn weiter gestaltet. Besuchen Sie auch seine persönliche Website.

Weitere Experten-Interviews folgen demnächst im The CFO Club!