KI-Agenten sind ohne Einführung bedeutungslos

Sibaranjan Patnaik ist der Finanz- und Strategiedirektor beim indischen GCC eines großen Technologieunternehmens. Mit 16 Jahren Erfahrung war er in verschiedenen Funktionen im Rechnungswesen und in der Finanzplanung und -analyse (FP&A) tätig, wodurch er ein umfassendes Verständnis dafür entwickelt hat, wie Finanzfunktionen arbeiten.

Wir haben uns mit Sibaranjan unterhalten, um mehr über die internen Finanzagenten zu erfahren, die er entwickelt – und darüber, warum der Erfolg von KI durch die Menschen definiert wird, die sie einsetzen. Das hat er erzählt.

Die technologische Transformation des Finanzwesens findet endlich statt

Ich bin Siba – Finanz- und Strategiedirektor mit etwa 16 Jahren Erfahrung.

Ich habe im Rechnungswesen angefangen, bin dann in die Finanzplanung und -analyse (FP&A) gewechselt, und diese Erfahrung auf beiden Seiten der Funktion gibt mir ein vollständiges Bild davon, wie das Finanzwesen im Alltag funktioniert – nicht nur auf der Ebene von Planung und Prognosen, sondern auch hinsichtlich der darunterliegenden Transaktions- und Berichtsprozesse.

Heute ist mein Verantwortungsbereich über das Finanzwesen hinaus gewachsen – ich leite gleichzeitig Technologieteams, Umsatzfunktionen und mehrere Geschäftsbereiche und agiere ebenso sehr als funktionsübergreifende Führungskraft wie als Führungskraft im Finanzwesen. Diese Bandbreite verändert die Sichtweise auf Transformation – man betrachtet sie nicht mehr als Problem des Finanzwesens, sondern als organisatorisches Problem.

Im Rückblick finde ich das fast amüsant: Im Laufe meiner Karriere habe ich immer wieder von technologiegetriebener Transformation des Finanzwesens gehört. Bessere Tools. Intelligentere Systeme. Das Ende von Excel. Und doch blieb der grundlegende Arbeitsablauf in jeder Funktion, in die ich kam – ob bei einem großen FMCG-Unternehmen, einem globalen Einzelhändler oder einem GCC – derselbe. Daten zusammentragen, abgleichen, das Modell erstellen, die Präsentation formatieren, weiterleiten. Jedes Mal Excel.

Wir hatten Dashboards, die auf manuell zusammengetragenen Daten beruhten. Wir hatten Planungstools, bei denen weiterhin jemand die Annahmen überwachen musste. Technologie existierte punktuell, aber die Transformation blieb letztlich aus.

Was jetzt anders ist – und ich sage das als jemand, der dem Hype um Finanztechnologie skeptisch gegenübersteht –, ist, dass KI, insbesondere agentenbasierte KI, das erste von mir eingesetzte Instrument ist, das den zugrunde liegenden Arbeitsablauf tatsächlich verändert und nicht nur die Darstellungsebene. Ich setze sie heute ein, um Kommentare zu automatisieren, Szenarioanalysen zu beschleunigen und die sich wiederholende Analysearbeit zu übernehmen, die früher den Großteil der Woche eines Teams beanspruchte.

Zum ersten Mal in meiner Karriere habe ich wirklich das Gefühl, dass sich die versprochene Transformation endlich in die richtige Richtung bewegt. Und genau das versuche ich in Gespräche einzubringen, wenn ich junge Finanzfachleute als Mentor begleite – denn jetzt ist der richtige Zeitpunkt, um sich einen Vorsprung zu verschaffen.

Mit KI auf einer höheren strategischen Ebene arbeiten

Ich arbeite für ein etabliertes, börsennotiertes Unternehmen mit globaler Geschäftstätigkeit. Ich werde öffentlich keine konkreten Details nennen – mir ist wichtig klarzustellen, dass es sich bei dem, was ich hier teile, ausschließlich um meine persönlichen Beobachtungen handelt –, aber ich kann sagen, dass ich eine Finanzorganisation im Rahmen eines GCC in Indien leite. Das bedeutet, dass wir ein strategisches Dienstleistungszentrum für eine deutlich größere globale Funktion sind.

Die Komplexität ist real; wir leisten mehr als Backoffice-Verarbeitung. Das Team umfasst die Bereiche Finanzplanung und -analyse (FP&A), Umsatz und Technologie und arbeitet über mehrere Geschäftsbereiche hinweg mit erheblichen funktionsübergreifenden Abhängigkeiten. In diesem Umfeld müssen wir ständig die globale Standardisierung mit den Realitäten der lokalen Umsetzung in Einklang bringen.

Aus Sicht der Transformation wurden GCCs in Indien historisch als Kostenstellen betrachtet – aufgebaut für Effizienz, nicht für Einfluss. Ich versuche weitgehend, diese Wahrnehmung zu verändern, sowohl intern als auch in der Selbstwahrnehmung des Teams. Als Finanzpartner für eine globale Geschäftseinheit innerhalb eines GCC muss man auf derselben strategischen Ebene agieren wie alle anderen am Hauptsitz. KI spielt eine zentrale Rolle dabei, diese Lücke zu schließen.

Warum umfassende KI-Veränderungen im Finanzwesen Geduld erfordern

Ich habe heute keinen vollständig implementierten, durchgängig KI-gestützten Finanzworkflow, der in der Produktion läuft. Ich wäre skeptisch gegenüber jedem, der behauptet, dies in großem Maßstab, mit Kontrollen und innerhalb eines regulierten börsennotierten Unternehmens zu tun. Ich habe eine klare Richtung, eine Reihe von Produktivitätswerkzeugen, die tatsächlich verändern, wie mein Team und ich täglich arbeiten, sowie eine Reihe von Agenten in verschiedenen Phasen der Entwicklung und Erprobung.

Im Bereich der Produktivität nutze ich täglich KI-Werkzeuge, um Mitteilungen zu entwerfen, umfangreiche Berichte zusammenzufassen, Analysen zu strukturieren, mich auf Geschäftsbesprechungen vorzubereiten und Szenarien schneller durchzudenken, als ich es allein könnte. Das sind keine spektakulären Anwendungsfälle, aber die kumulierte Zeitersparnis ist real, und sie hat die Qualität meines Auftretens in Gesprächen verändert.

Mein aktueller Fortschritt geht weiter. Ich arbeite auf einen Workflow hin, bei dem Agenten die mechanischen Teile des monatlichen Abschlusszyklus übernehmen – Datenkonsolidierung, Kennzeichnung von Abweichungen und Erstellung von Kommentaren – während Menschen auf der Prüfungs- und Beurteilungsebene eingreifen. Die Architektur steht, und die Tests laufen. Es braucht Zeit, dies mit den richtigen Kontrollen korrekt umzusetzen.

Ich teile dies als laufenden Arbeitsprozess, statt es als etwas Fertiges darzustellen, weil ich denke, dass es im Finanzwesen bereits genug Menschen gibt, die das Ziel verkaufen. Hilfreich ist es, in Echtzeit zu erfahren, wie die Reise aussieht – was funktioniert, was gerade entwickelt wird und was schwieriger ist als erwartet.

Das ist mein aktueller Stand. Ich baue sorgfältig auf, komme stetig voran und warte nicht auf Perfektion, bevor ich beginne.

Wie KI Abweichungskommentare verbessert

Eine aktuelle Veränderung betrifft die Kommentare zu Abweichungen. Jedes Finanzteam erstellt sie. Jeden Monat setzt sich unweigerlich jemand hin und schreibt zwei bis drei Seiten darüber, warum die tatsächlichen Werte über oder unter dem Plan lagen. Zeile für Zeile. Theoretisch ist das wichtige Arbeit, in der Praxis sind jedoch etwa 80 % davon mechanisch. Die Zahlen sind bereits vorhanden. Die Abweichungen sind bereits berechnet. Die Übersetzung kostet Zeit – die Daten in Sätze zu verwandeln, die ein nicht im Finanzwesen tätiger Beteiligter lesen und in die Tat umsetzen kann.

Bevor wir dies geändert haben, verbrachte ein leitender Analyst den größten Teil eines Arbeitstags allein mit den Kommentaren. Nicht, weil er langsam war, sondern weil es über mehrere Kostenstellen und Geschäftsbereiche hinweg tatsächlich so lange dauerte, die Aufgabe ordnungsgemäß zu erledigen. Und sobald alles fertiggestellt, geprüft und formatiert war, hatte sich das Zeitfenster für das Gespräch, das dadurch ermöglicht werden sollte, bereits verengt.

Ich habe einen Agenten entwickelt, der den ersten Entwurf übernimmt. Er ruft die Zahlen ab, identifiziert wesentliche Abweichungen und erstellt strukturierte Kommentare in klarer Geschäftssprache. Die Aufgabe des Analysten besteht nun darin, zu prüfen, zu verfeinern und die Beurteilungsebene hinzuzufügen – den Kontext, den nur ein Mensch mit Geschäftswissen liefern kann.

Das wirkt sich auf die Geschwindigkeit aus, verändert aber auch die Qualität des Gesprächs. Wenn Ihr Analyst nicht vom Schreiben erschöpft ist, kommt er mit der Frage in die Prüfungsbesprechung, was die Abweichung für das nächste Quartal bedeutet – und nicht nur mit der Frage, was im vergangenen Monat passiert ist. Genau diese Veränderung wollte ich erreichen. Aus einem Tag mechanischer Schreibarbeit können zwei Stunden des Nachdenkens werden.

Ein Rahmen dafür, was menschlich bleibt

Mein Rahmen ist einfach: Wenn etwas mechanisch ist, automatisieren Sie es. Wenn es Beurteilungsvermögen erfordert, lassen Sie es beim Menschen. Das ist alles.

Es klingt offensichtlich, aber die meisten Finanzteams arbeiten nicht auf diese Weise. Menschen erledigen mechanische Arbeit und nennen sie Analyse. KI-Werkzeuge bleiben ungenutzt, weil niemand die Grenze klar definiert hat.

KI übernimmt die Datenkonsolidierung, Abstimmungen, die Kennzeichnung von Abweichungen, Kommentare im ersten Entwurf, die Aktualisierung von Prognosemodellen bei sich ändernden Annahmen, standardisierte Berichtspakete und Cashflow-Prognosen auf Grundlage historischer Muster. Dies sind wiederholbare, regelbasierte Aufgaben mit hohem Volumen. Menschen sollten dafür keine nennenswerte Zeit mehr aufwenden. Ein Agent erledigt dies schneller, konsistenter und ohne die Ermüdung, die sich am Ende eines Abschlusszyklus einschleicht.

Menschen übernehmen alles, was Kontext, Beziehungen und Beurteilungsvermögen erfordert. Was bedeutet diese Abweichung für das Unternehmen? Sollten wir angesichts der Marktbedingungen Kapital für diese Initiative umverteilen oder zurückhalten? Wie lässt sich dieses Risiko am besten der Führungsebene vermitteln? Ist diese Prognose in ihrer Richtung glaubwürdig, oder passen wir lediglich eine Zahl an ein Ziel an? KI kann all diese Gespräche unterstützen, aber sie kann nicht die Verantwortung dafür übernehmen.

Hier ziehe ich die Grenze: KI liefert meinem Team Informationen schneller und in besserer Form als zuvor. Aber die Entscheidung – und die Verantwortung dafür – bleibt bei der Person. Ich umgehe keine Einschränkung; genau so ist es vorgesehen.

Wie KI die Effizienz und das Vertrauen des Finanzteams verbessert

Positiv betrachtet ist die zuverlässigste Wirkung die Umverteilung von Zeit. Die Automatisierung mechanischer Aufgaben – Datenabrufe, Abstimmungen, Standardberichte, erste Entwürfe für Kommentare – gibt jeder Person jede Woche mehrere Stunden zurück. Keine theoretischen Stunden, sondern echte. Wenn man bewusst plant, wie die Menschen diese Zeit nutzen, sieht man bald qualitativ bessere Analysen, schnellere Antworten auf geschäftliche Fragen und Finanzfachleute, die sich engagiert ihrer Arbeit widmen, anstatt sich durch einen Abschlusszyklus zu mühen.

Auch die Prognosequalität verbessert sich – nicht, weil KI klüger ist als Ihre Analysten, sondern weil Analysten weniger erschöpft sind und mehr Zeit haben, Annahmen zu hinterfragen, anstatt nur das Modell auszufüllen. Müde Menschen treffen schlechte Entscheidungen. Ausgeruhte Menschen mit sauberen Daten treffen bessere.

Qualitativ ist die wichtigste Veränderung das Vertrauen. Wenn ein Finanzteam nicht mehr den Großteil seiner Energie auf die Erstellung verwendet, sondern auf die Interpretation, tritt es in Geschäftsgesprächen anders auf. Es hat eigene Ansichten. Es widerspricht. Das ist der kulturelle Wandel, der schwer zu messen, aber unmöglich zu übersehen ist.

Die größten Fehlerquellen von KI im Finanzwesen

Sibaranjan Shares

Die größte Fehlerquelle, die ich sehe, ist, dass Teams schlechte Prozesse automatisieren. Wenn die zugrunde liegenden Daten unübersichtlich sind, Arbeitsabläufe nicht funktionieren…beschleunigt KI das Problem nur. Schlechte Eingaben, schlechte Ausgaben, aber schneller.

Nun zum Negativen. Die größte Fehlerquelle, die ich sehe, ist, dass Teams schlechte Prozesse automatisieren. Wenn die zugrunde liegenden Daten unübersichtlich sind, Arbeitsabläufe nicht funktionieren oder Teams die Zahlen nicht verstehen, beschleunigt KI das Problem nur. Schlechte Eingaben, schlechte Ausgaben, aber schneller.

Die zweite Fehlerquelle ist das übermäßige Vertrauen in Ergebnisse, die die Menschen nicht vollständig verstehen. KI kann eine wunderschön strukturierte Prognose, eine selbstsicher wirkende Abweichungsanalyse und ein übersichtliches Szenariomodell erstellen. Wenn die Person, die es präsentiert, jedoch nicht erklären kann, wie es abgeleitet wurde oder woher die Annahmen stammen, ist das ein Risiko. Kein Technologierisiko. Ein Urteilsrisiko. KI sollte Ihr Team schärfer machen, nicht passiver. Wenn sie das Gegenteil bewirkt, ist das ein Risiko, über das niemand laut genug spricht.

Die dritte Fehlerquelle ist die Einführung. Sie können den elegantesten Agenten entwickeln, aber wenn das Team ihm nicht vertraut oder seine Arbeitsweise damit nicht verändert, bleibt er ungenutzt. Veränderungsmanagement ist keine Option.

Warum die Einführung von KI neu gestaltete Arbeitsabläufe erfordert

Wenn KI nicht funktioniert, ist das ein Problem der Menschen.

Ich habe funktionierende Agenten entwickelt. Ich habe gesehen, wie sie getestet, validiert und freigegeben wurden. Dann beobachtete ich, wie Teams sie stillschweigend umgingen und zu ihren alten Methoden zurückkehrten. Nicht aus Böswilligkeit, sondern aus Gewohnheit, Bequemlichkeit und der aufrichtigen Überzeugung, ihre manuelle Version sei zuverlässiger, selbst wenn sie es nicht war.

Das ist die Lücke, über die in Gesprächen zur KI-Transformation nicht genug gesprochen wird. Alle konzentrieren sich darauf, was entwickelt werden soll. Nur sehr wenige konzentrieren sich darauf, was sich bei den Menschen, die das Werkzeug verwenden, ändern muss, damit es wirklich relevant wird.

Insbesondere Finanzfachleute sind darauf geschult, präzise und risikoscheu zu sein. Das ist eine Stärke in ihrem Beruf. Es wird zu einem Hindernis, wenn man sie bittet, einem System zu vertrauen, das sie nicht entwickelt haben und dessen Funktionsweise sie nicht vollständig einsehen können. Sobald ein KI-Ergebnis auch nur geringfügig falsch aussieht – selbst wenn es korrekt ist –, greifen sie standardmäßig wieder darauf zurück, es selbst zu erledigen. Und sobald das einige Male passiert ist, verwenden sie den Agenten nicht mehr.

Ich habe gelernt, dass die Einführung kein Kommunikationsproblem ist. Eine E-Mail mit dem Hinweis „Wir haben ein neues Werkzeug, bitte verwenden Sie es“ bewirkt nichts. Es ist ein Problem der Verhaltensänderung. Sie müssen den Arbeitsablauf um das Werkzeug herum neu gestalten, anstatt es einfach in den bestehenden Arbeitsablauf einzufügen und zu hoffen, dass sich die Menschen anpassen.

Warum Claude bei Anwendungsfällen im Finanzwesen herausragt

Ich nutze mehrere Tools und glaube, dass das momentan der richtige Ansatz ist. Wir befinden uns in einer Erkundungsphase, und jedes Tool entwickelt sich weiterhin rasant. Heute eines auszuwählen und den Rest zu ignorieren, wäre die falsche Entscheidung.

Wenn ich mich jedoch für eine Richtung entscheiden müsste, wäre Claude speziell für die Finanzarbeit hervorzuheben. Die Fähigkeit, komplexe Szenarien zu durchdenken, mit Zahlen im Kontext zu arbeiten, strukturierte Analysen zu erstellen und nuancierte Geschäftssprache zu handhaben, macht es besonders nützlich für die anspruchsvolle Denkarbeit, die FP&A erfordert.

Die Tools verändern sich schnell, und welches davon Teil meines langfristigen Arbeitsablaufs wird, muss sich das erst verdienen. Im Moment bleibe ich bei allen neugierig und lasse die Anwendungsfälle entscheiden.

Verwechsle den Kauf von KI-Tools nicht mit einer KI-Transformation

Hier ist mein Rat:

1. Warte nicht auf die perfekte Unternehmensstrategie, bevor du handelst. Die meisten CFOs, mit denen ich spreche, arbeiten seit sechs Monaten an einer Transformations-Roadmap, die noch geprüft wird. Gleichzeitig verbringen ihre Teams weiterhin die Hälfte ihrer Woche mit Aufgaben, die sie heute schon automatisieren könnten. Das Zeitfenster ist jetzt offen. Nutze es.
2. Verwechsle den Kauf von Tools nicht mit dem Erreichen einer Transformation. Ich habe erlebt, dass Organisationen viel Geld für Plattformen, Lizenzen und Berater ausgeben und am Ende mit denselben Arbeitsabläufen dastehen, mit denen sie begonnen haben – nur teurer. Die Technologie ist nicht der schwierige Teil. Der schwierige Teil besteht darin, ehrlich zu bewerten, wie dein Team arbeitet, und bereit zu sein, dies zu verändern.
3. Investiere zuerst in deine Mitarbeiter, bevor du in Tools investierst. Eine Fachkraft im Finanzbereich, die versteht, was KI leisten kann und was nicht, gute Eingaben formuliert, KI-Ergebnisse kritisch prüft und die Ebene der eigenen Beurteilung hinzufügt – diese Person ist mehr wert als jede Plattform, die du kaufst. Baue diese Kompetenz in deinem Team auf. Sie zahlt sich langfristig aus.
4. Bringe deine Daten in Ordnung. KI wird jede Schwachstelle in deiner Datengrundlage schneller als alles andere aufdecken. Wenn deine Zahlen nicht sauber sind, deine Prozesse nicht dokumentiert sind und deine Systeme nicht miteinander kommunizieren – behebe das zuerst. Andernfalls automatisierst du das Chaos.
5. Die Aufgaben des CFO verändern sich, unabhängig davon, ob du dich mit KI beschäftigst oder nicht. Die Frage ist, ob du diesen Wandel gestaltest oder auf ihn reagierst. Die Finanzführungskräfte, die in fünf Jahren eine Rolle spielen werden, sind neugierig genug zum Experimentieren, bescheiden genug, um aus dem zu lernen, was nicht funktioniert, und entschlossen genug, etwas aufzubauen.

Habe nicht nur eine Meinung zu KI. Tu etwas damit.

Sibaranjan teilt

Hier ist mein Rat: Warte nicht auf die perfekte Unternehmensstrategie, bevor du handelst. Verwechsle den Kauf von Tools nicht mit dem Erreichen einer Transformation. Investiere zuerst in deine Mitarbeiter, bevor du in Tools investierst. Bringe deine Daten in Ordnung. Die Aufgaben des CFO verändern sich, unabhängig davon, ob du dich mit KI beschäftigst oder nicht … Habe nicht nur eine Meinung zu KI. Tu etwas damit.

Begleite uns

Du kannst die Arbeit von Sibaranjan Patnaik auf LinkedIn verfolgen.

Weitere Experteninterviews folgen im The CFO Club!