KI-nativer Finanzexperte teilt seine Arbeitsabläufe – und wie er sie prüfbar macht

Sergei Mochtchenkov ist seit mehr als 20 Jahren im Finanzbereich tätig, unter anderem in CFO-Positionen. Heute ist er als teilzeitlicher CFO tätig und hat mehr als 300 Kunden aus einer Vielzahl von Branchen beraten.

Wir haben uns mit Sergei zusammengesetzt, um mehr über die Workflows und Tools zu erfahren, die er in Finanzorganisationen einsetzt. Das hat er erzählt.

Ein KI-nativer CFO

Ich bin Sergei Mochtchenkov, CFA. Ich bin ein teilzeitlicher CFO mit Sitz in Kyjiw und arbeite mit Unternehmen in Nordamerika, Europa und darüber hinaus. Ich bin seit mehr als 20 Jahren im Finanzbereich tätig: Finanzmodellierung, Unternehmensbewertung, Investmentanalyse und Datenvisualisierung (Excel, Power BI, SQL). Im Laufe dieser Zeit habe ich mehr als 300 Kunden beraten, Schulden- und Eigenkapitaltransaktionen im Wert von über $1 Milliarde sowie mehrere Börsengänge im Technologiesektor unterstützt und als CFO oder leitender Analyst für Unternehmen gearbeitet, die von einer KI-gestützten Influencer-Marketingplattform bis zu einem Immobilienfonds in Kalifornien reichen.

Die Struktur ist bewusst schlank. Ich stehe als CFO und leitender Analyst an der Spitze; ein kleines Team kümmert sich um Buchhaltung, Abstimmungen und Berichtswesen, während KI-Agenten dazwischen arbeiten – sie analysieren Kontoauszüge, kategorisieren Transaktionen, prüfen Modelle und erstellen Berichtsentwürfe. Die Komplexität ergibt sich weniger aus der Anzahl der Mitarbeitenden als aus der Vielfalt: Strukturen mit mehreren Gesellschaften, konzerninterne Konten, Investoren-Wasserfälle, SAFEs und Kapitaltabellen sowie eine Mischung verschiedener Buchhaltungssysteme (QuickBooks, Xero, Odoo, Shopify und Amazon Seller Central).

Mein Weg zur KI war praktisch, nicht theoretisch. Teilzeitliche CFO-Arbeit bedeutet, viele Kunden gleichzeitig zu betreuen, und der Engpass war immer derselbe: Stunden wurden mit der Bereinigung von Daten, dem Wiederaufbau von Modellen und der Prüfung von Tabellenkalkulationen verbracht, bevor überhaupt echtes Denken beginnen konnte. Sobald KI zuverlässig genug war, um ein Hauptbuch zu lesen, Kontoauszüge zu analysieren oder eine unterbrochene Formelkette zurückzuverfolgen, habe ich meine Beratung darauf ausgerichtet.

Heute positioniere ich mich als KI-nativer teilzeitlicher CFO: Die KI übernimmt die aufwendige Datenarbeit und erste Entwürfe, während ich meine Zeit auf die Beurteilung konzentriere – darauf, was die Zahlen bedeuten und was der Eigentümer als Nächstes tun sollte.

Wie KI die Datenaufbereitung im Finanzwesen optimiert

Das ist die größte Veränderung, die ich mit KI vorgenommen habe: Ich behandle die Aufbereitung von Rohdaten nicht mehr als menschliche Aufgabe.

Jedes neue Mandat begann mit tagelanger mühsamer Arbeit – PDF-Kontoauszüge von mehreren Banken herunterladen, sie halbmanuell konvertieren und anschließend Tausende von Transaktionen Zeile für Zeile kategorisieren, bevor eine Analyse beginnen konnte. Fehler schlichen sich ein, und die teuerste Person im Mandat verbrachte ihre Zeit mit der Aufgabe mit dem geringsten Mehrwert.

Also habe ich eine KI-gestützte Pipeline entwickelt. Claude schreibt und führt Python (mit pdfplumber) aus, das Kontoauszüge verschiedener Banken in saubere Excel-Dateien überführt. Jede Ausgabe wird mit einer vollständigen Bilanzabstimmung validiert – Anfangssaldo plus Transaktionen muss periodengenau dem Endsaldo entsprechen –, sodass nichts ungeprüft akzeptiert wird. Anschließend landen die Transaktionen in einer Supabase-Datenbank, wo die KI sie anhand von Zuordnungsregeln kategorisiert, die ich definiere und genehmige. Alles Unklare wird an mich weitergeleitet. Bei einem kürzlich durchgeführten Mandat umfasste dies vier Gesellschaften bei vier sehr unterschiedlichen Banken – US-amerikanische und saudische Banken, eine Neobank und eine traditionelle Bank.

Dadurch verkürzte sich die Bearbeitungszeit für die Datenphase erheblich, die Genauigkeit stieg, weil die Validierung systematisch statt stichprobenartig erfolgt, und meine Zeit verlagerte sich von der Dateneingabe auf die Beurteilung – auf die Prüfung von Ausnahmen, konzerninternen Zahlungsströmen und Transaktionen mit verbundenen Parteien, also auf den Bereich, in dem die wirklich wichtigen Erkenntnisse liegen.

Wie KI die Prüfung von Finanzmodellen unterstützt

Ich führe häufig Prüfungen und Wiederaufbauten von Finanzmodellen durch. So gehe ich dabei vor:

• Schritt 1 — Regeln festlegen: Ein Claude-Projekt mit schriftlichen Anweisungen erstellen: Namenskonventionen, Ergebnisse ausschließlich auf Englisch, Formeln als reiner Text sowie Dateien innerhalb und außerhalb des Umfangs.
• Schritt 2 — Bestandsaufnahme und Abhängigkeitsübersicht: Claude katalogisiert mithilfe von Python (openpyxl) jedes Tabellenblatt, jeden benannten Bereich, jeden externen Link, jede fest codierte Zahl und jedes Formelmuster und erstellt anschließend eine Übersicht darüber, was wovon abhängt. Wir ändern keine Zellen, bevor wir die Struktur des Modells verstanden haben.
• Schritt 3 — Fehlersuche: Die KI verfolgt Berechnungsketten anhand der vorgesehenen Logik des Modells — Wasserfallmodelle, IRR, Schuldentilgungspläne, Cashflow — und erstellt eine Fehlerliste mit Zellpositionen, Schweregrad und Dollar-Auswirkung. Bevor wir etwas als behebbaren Fehler einstufen, prüfen wir, ob nachgelagerte Elemente diese Zelle auslesen.
• Schritt 4 — Ausführung in zwei Chats: Ich führe einen Hauptchat für die Eingrenzung und Überprüfung sowie einen separaten Ausführungs-Chat. Der Ausführungs-Chat erhält jeweils einen schriftlichen Aufgabenauftrag, führt ihn aus und überprüft unabhängig die Überlegungen des Hauptchats. Wenn die beiden KI-Durchläufe zu unterschiedlichen Ergebnissen kommen, signalisiert mir das, dass ich dies weiter untersuchen muss.
• Schritt 5 — Überprüfung: Ich führe vollständige Neuberechnungen, Scans auf Nullfehler, Abstimmungen mit Quelldokumenten und Stresstests für wichtige Szenarien durch. Anschließend überprüfe ich die Änderungen und die Logik selbst.

Warum die KI Daten verarbeitet und Menschen Entscheidungen treffen

Was die Frage betrifft, wo KI eingesetzt werden sollte und wo Menschen gefragt sind, ist meine Regel einfach: Die KI bereitet vor, testet und erstellt Entwürfe; ein Mensch entscheidet und zeichnet ab.

Ich setze KI ein für:

• Datenaufnahme und Abstimmung: Auswertung von Kontoauszügen, Kategorisierung von Transaktionen sowie Analyse von Forderungen und Verbindlichkeiten.
• Modellprüfung: Nachverfolgung von Formelketten, Auffinden fehlerhafter Verknüpfungen, fest codierter Überschreibungen und verborgener Fehler in Kundenmodellen. Die KI liest Tausende von Formeln, ohne müde zu werden.
• Prognosen: Für E-Commerce-Kunden habe ich Systeme zur Nachfrageprognose entwickelt, die die Daten bereinigen, um Saisonalität und Werbeausgaben zu normalisieren, und Umsatzspannen mit 95-%-Konfidenzbändern erstellen, die in einen Beschaffungsplan einfließen.
• Abweichungsanalyse
• Erste Entwürfe von Kommentaren
• Szenariodurchläufe
• Recherchen wie Wettbewerbsvergleiche und Marktdaten

Was ausdrücklich Sache des Menschen bleibt:

• Annahmen: Ein Modell ist nur so gut wie die ihm zugrunde liegende Wachstumsrate, der Kapitalisierungssatz oder die Abwanderungsannahme, und dafür ist ein Verständnis des Unternehmens und der Menschen, die es führen, erforderlich.
• Kapitalallokation, Bewertungsschlussfolgerungen und alles, was unter meinem Namen an einen Investor, Kreditgeber oder Vorstand geht: Als CFA-Inhaber bin ich für die Schlussfolgerung verantwortlich, und Verantwortung kann nicht an ein Modell delegiert werden.
• Entscheidungen über Menschen und Beziehungen: Kostensenkungen, die sich auf Rollen auswirken, Verhandlungen und das Gespräch mit einem Gründer, dessen Plan nicht funktioniert.

Die beiden wichtigsten Vorteile von KI im Finanzwesen

Der Umfang der Überprüfung war ein großer Vorteil der KI. Sie prüft Arbeiten umfassend, die zuvor nur stichprobenartig kontrolliert wurden. Zu den jüngsten Beispielen gehören: eine Arbeitsmappe zur Überprüfung von 134 Kennzahlen für den Investoren-Pitch einer Filmproduktion, bei der wir jede Zahl in der Präsentation bis zu den Quelldokumenten zurückverfolgten; ein Angebotstool für einen Kunden mit 126 Aufgaben und etwa 1.200 Formeln, das null Formelfehler lieferte; sowie die Umwandlung von Kontoauszügen für vier Unternehmen, bei der jede Periode eine vollständige Bilanzabstimmung bestand.

Auch die Kosten sind ein Vorteil. KI ermöglicht es Organisationen, wiederkehrende Aufgaben und Prozesse zu automatisieren. Außerdem erleichtert sie es, nicht genutzte Softwarelizenzen und Marketingausgaben in leistungsschwachen Kanälen zu reduzieren.

Erkenntnisse aus den Bereichen, in denen die KI Schwierigkeiten hat

Fehler der KI sind gerade deshalb gefährlich, weil sie professionell aussehen. Ich habe schon ausgefeilte Ergebnisse mit einem falschen Bereichsbezug oder einem falsch gelesenen Einzelposten gesehen, die eine oberflächliche Prüfung bestanden hätten. Ein kleines, aber aussagekräftiges Beispiel: In einem Bericht zitierte Formeln enthielten ein vorangestelltes Gleichheitszeichen, sodass die Tabellenkalkulation versuchte, sie auszuwerten, was zu fehlerhaften Bezügen und unbegründeten Warnungen vor Zirkelbezügen führte. Daher gilt inzwischen die feste Regel, dass Formeln in Ergebnissen als reiner Text geschrieben werden.

Die KI wird auch bereitwillig Dinge „reparieren“, die keine Rolle spielen. Bevor ich entscheide, ob ein Wert wiederhergestellt oder korrigiert werden soll, prüfe ich zunächst, ob nachgelagerte Elemente ihn tatsächlich auslesen. Diese einfache Disziplin erspart viel unnötigen Aufwand.

Und hier sind einige konkrete Bereiche, in denen die KI keine guten Ergebnisse liefert:

• Große alte Excel-Modelle: Ich erwartete, dass KI ein Modell mit 30 Registerkarten einfach versteht und repariert. Das tut sie nicht. Große Arbeitsmappen mit externen Verknüpfungen, ausgeblendeten Tabellen, altem VBA oder ActiveX-Steuerelementen und jahrelangen Änderungen überfordern sie – sie verliert den Zusammenhang zwischen den Registerkarten und schlägt Korrekturen vor, die an anderer Stelle etwas beschädigen. Langsamere, diszipliniertere Ansätze funktionieren besser: Zuerst erstellt man ein Inventar und eine Abhängigkeitskarte des Modells; anschließend lässt man die KI jeweils eine klar abgegrenzte Aufgabe bearbeiten und prüft das Ergebnis in einem separaten Durchgang. KI ist eine starke Analystin, aber noch keine Architektin.
• Prognosen bei einem Regimewechsel: Statistische Prognosen und ML-Prognosen sind besonders gut, wenn die Zukunft der Vergangenheit ähnelt – beispielsweise bei saisonaler Nachfrage im E-Commerce. Da ich in der Ukraine lebe und arbeite, sehe ich oft, wie schlecht historische Modelle mit Krieg, Sanktionen, Währungsschocks und einer plötzlich anziehenden Kosteninflation umgehen. In solchen Umfeldern produziert KI selbstbewusste Zahlen ohne echte Grundlage; Szenariodenken und menschliches Urteilsvermögen sind hier weitaus wichtiger.

Und noch ein kleinerer Punkt: Die Kategorisierung von Transaktionen stößt an ihre Grenzen. KI bewältigt den Großteil davon gut, aber genau im mehrdeutigen Rest – Übertragungen zwischen verbundenen Parteien, Ausgaben der Eigentümer und konzerninterne Zahlungsströme – liegt das Bilanzierungsrisiko, und dafür braucht es weiterhin ein Regelwerk für Menschen.

Wie KI verborgene Kostenrisiken im Finanzbereich einführt

CFOs müssen die Rechenkosten als verborgene variable Kosten der verkauften Waren und Dienstleistungen im Blick behalten.

Viele Führungskräfte betrachten KI noch als Software – als festes Abonnement. Bei KI-nativen Produkten ist das nicht der Fall. Jede Benutzeraktion kann Modellaufrufe auslösen, und die Inferenzkosten steigen mit der Nutzung, der Länge der Eingabeaufforderung und der Wahl des Modells. Dadurch wird aus einem scheinbar margenstarken SaaS-Geschäft ein Unternehmen mit realen, schwankenden variablen Kosten. Ich sehe regelmäßig KI-Start-ups, deren Bruttomargen bei zunehmendem Wachstum still und leise sinken, weil das Design ihres Modells von softwareähnlichen Margen ausging und niemand die Kosten pro Kunde, pro Funktion oder pro Transaktion erfasste.

Die Lösung besteht in grundlegender Finanzdisziplin, angewandt auf eine neue Kostenposition: Die Einheitsökonomie auf Ebene des KI-Aufrufs messen, Rechenkosten dort in die Kosten der verkauften Waren und Dienstleistungen aufnehmen, wo sie hingehören, Budgets und Warnmeldungen festlegen, die Modellgröße an die Aufgabe anpassen und das Produkt unter Berücksichtigung der Rechenkosten bepreisen. Die Kontrolle der Rechenkosten gehört inzwischen zu den Kernaufgaben eines CFO in jedem KI-intensiven Unternehmen – sie ist kein technisches Detail.

Wie man KI managt

KI braucht Management, nicht nur Eingabeaufforderungen. Zunächst behandelte ich sie wie ein sehr schnelles Werkzeug, aber sie verhält sich viel eher wie eine brillante neue Mitarbeiterin ohne Erinnerung an den gestrigen Tag und mit einem starken Drang, hilfreich zu sein. Wenn ich könnte, würde ich meinem früheren Ich drei Dinge sagen:

• Die Regeln einmal schriftlich festhalten. Jedes Unternehmen hat ungeschriebene Konventionen – wie Prozentsätze dargestellt werden, welche Konten in welchem Bericht erscheinen, wie Formeln dokumentiert werden und in welcher Sprache die Ergebnisse verfasst sind. Wenn diese Regeln nur in Ihrem Kopf existieren, wird die KI jedes Mal „vernünftigerweise“ etwas anderes tun.
• Fragen und Änderungen voneinander trennen. Fragen Sie die KI, warum eine Zahl ungewöhnlich aussieht, und sie wird sie häufig „korrigieren“. Meine feste Regel lautet inzwischen: Wenn ich eine Frage stelle, antwortet die KI zunächst und wartet auf meine Zustimmung, bevor sie etwas ändert. Das hätte anfangs mehrere stille Änderungen verhindert, die ich später rückgängig machen musste.
• Aufgaben klein halten und das Original unverändert lassen. Bei meinen ersten Versuchen gab ich der KI zu viel auf einmal – „Prüfe dieses gesamte Modell und repariere es“. Die Ergebnisse sahen beeindruckend aus und waren schwer zu überprüfen. Klar abgegrenzte Aufgabenbeschreibungen, eine Änderung nach der anderen, eine saubere Kopie des Originals und ein Änderungsprotokoll machen jeden Schritt überprüfbar.

Diese drei Dinge hätten mir Stunden an Nacharbeit, einige peinliche Beinahe-Fehler, die bei der Prüfung entdeckt wurden, und eine Zeit lang den falschen Glauben erspart, dass der Hauptwert von KI in ihrer Geschwindigkeit liegt. Der Hauptwert besteht darin, dass man es sich leisten kann, alles zu überprüfen – aber nur, wenn man den Prozess entsprechend gestaltet.

Wie KI im Betriebskapital eingesetzt werden kann

Die meisten Finanzteams verwalten Forderungen, Verbindlichkeiten und Lagerbestände noch immer mit Monatsberichten und nach Gefühl, obwohl gerade hier Liquidität entsteht oder gebunden wird. KI ist in diesem Bereich jedoch besonders leistungsfähig, weil die Eingaben umfangreich und repetitiv sind und Muster enthalten, deren Erkennung den Menschen die Zeit fehlt.

Zwei Bereiche, die ich neu gestaltet habe:

• Bestands- und Einkaufsplanung für den E-Commerce: Für Marken in den Bereichen Sportbekleidung, Badebekleidung, Spielzeug und Proteinriegel haben wir „das nachbestellen, was letzte Saison verkauft wurde“ durch ein Prognosesystem ersetzt, das ich bereits kurz erwähnt habe. Wir bereinigen die Verkaufshistorie, normalisieren sie hinsichtlich Saisonalität und Werbeausgaben, prognostizieren die Nachfrage mit 95-%-Bändern und erstellen anschließend einen Einkaufsplan, der Lagerkosten, Bruttomarge, Eigenkapitalrendite, Mengenrabatte und Lieferzeiten der Lieferanten ausdrücklich gegeneinander abwägt. Das Ergebnis ist eine Einkaufsentscheidung auf Grundlage einer Bandbreite möglicher Ergebnisse, bei der die Kosten einer Fehlentscheidung in beide Richtungen von Anfang an sichtbar sind – statt nur einer einzigen Schätzung.
• Forderungen, Verbindlichkeiten und Kommunikation: Ich erstelle Claude-gestützte Analysen zu Forderungen, Verbindlichkeiten und der unternehmenseigenen Kommunikation, damit die Finanzabteilung nicht nur sieht, dass eine Rechnung überfällig ist, sondern auch warum – etwa wegen eines Streits, eines Lieferproblems oder eines unter Druck stehenden Kunden – und früher handeln kann. Derselbe Ansatz erkennt doppelte oder ungewöhnliche Verbindlichkeiten sowie Lieferantenbedingungen, die sich unbemerkt verändert haben.

Warum Claude Code und Cowork die Finanzwelt grundlegend verändern

Claude verändert die Spielregeln – insbesondere in seiner agentenbasierten Form (Claude Code und Cowork), in der es nicht nur chattet, sondern mit Dateien arbeitet, Python schreibt und ausführt, Excel-Modelle liest und erstellt sowie Verbindungen zu Datenbanken und Geschäftsanwendungen herstellt.

Damit kann ich Kontoauszüge analysieren, ein Modell mit 30 Tabellenblättern prüfen, ein Prognosesystem erstellen, ein Investorenmemorandum entwerfen und einen für Power BI geeigneten Datensatz erstellen – und vor allem schreibt Claude Code, den ich aufbewahren, erneut ausführen und prüfen kann, anstatt mir lediglich Antworten zu geben. Anweisungen auf Projektebene ermöglichen es mir, die Regeln jedes Kunden einmal zu hinterlegen, sodass die Arbeit über mehrere Sitzungen hinweg konsistent bleibt.

Excel bleibt jedoch unverzichtbar. Es ist nach wie vor die Sprache, die Investoren, Kreditgeber und Aufsichtsgremien lesen, und die besten KI-gestützten Arbeitsabläufe, die ich durchführe, enden in einer sauberen, transparenten Tabelle, die ein Mensch Zeile für Zeile prüfen kann.

Wie KI Teams und Ausbildungswege verändert

Die Pyramide ist zu einem Diamanten geworden. Traditionell benötigt eine Finanzabteilung viele Nachwuchskräfte für Dateneingabe, Abstimmungen und erste Modellversionen, einige erfahrene Mitarbeitende zu deren Prüfung und an der Spitze eine Führungskraft. Heute übernimmt KI den Großteil dieser Basisschicht.

Entsprechend hat sich die von mir gesuchte Talentmischung verändert. Weniger Wert liegt auf der Geschwindigkeit bei der Datenverarbeitung; deutlich mehr auf drei Dingen: dem Verständnis dafür, wie ein Unternehmen Geld verdient, der Fähigkeit, eine präzise Aufgabenbeschreibung zu verfassen und das Ergebnis zu testen, sowie dem Selbstvertrauen, einem Gründer zu sagen, dass eine Zahl oder ein Plan falsch ist.

Die offene Frage für den Berufsstand betrifft den Ausbildungsweg. Nachwuchskräfte lernten früher, indem sie die mühsame Arbeit erledigten. Wenn KI diese Arbeit übernimmt, müssen wir Urteilsvermögen gezielt vermitteln – indem wir Menschen dazu bringen, KI-Ergebnisse zu überprüfen, zu hinterfragen und zu erklären, statt sie von Grund auf selbst zu erstellen.

Fünf Ratschläge für CFOs

Hier sind meine Ratschläge für CFOs:

• Nutzen Sie diese Woche selbst KI für echte Arbeit. Übertragen Sie KI nicht an ein Innovationskomitee und warten Sie nicht auf die perfekte unternehmensweite Einführung. Nehmen Sie einen schmerzhaften, sich wiederholenden Prozess – eine Abstimmung, eine Modellprüfung, einen ersten Entwurf für die Unterlagen der Vorstandssitzung – und erledigen Sie ihn persönlich mit KI. Sie können keine Transformation anführen, die Sie nicht selbst erlebt haben.
• Entwerfen Sie die Kontrollmechanismen, bevor Sie skalieren. Jeder KI-Workflow benötigt eine integrierte Prüfung, die nicht davon abhängt, der KI zu vertrauen: eine Überleitung der Salden, eine Abstimmung mit dem Hauptbuch oder eine zweite unabhängige Prüfung. KI macht Fehler schneller und überzeugender als ein Junior-Analyst, daher muss Ihr Kontrollkonzept besser sein als zuvor.
• Bewahren Sie Urteilsvermögen und Verantwortung beim Menschen. Lassen Sie KI vorbereiten, prüfen und Entwürfe erstellen; überlassen Sie Annahmen, Kapitalallokation und alles, was in Ihrem Namen unterzeichnet wird, den Menschen. Halten Sie diese Grenze schriftlich fest, damit Ihr Team weiß, wo sie verläuft.
• Bauen Sie das Team neu auf, nicht nur die Werkzeuge. Das Finanzteam der Zukunft ist kleiner, erfahrener und analytischer. Investieren Sie in Menschen, die Fragen formulieren, Zahlen hinterfragen und mit dem Unternehmen sprechen können – diese Fähigkeiten verstärken sich durch KI; reine Datenverarbeitung tut das nicht.
• Messen Sie den Wert, nicht die Aktivität. Eine schnellere Berichterstattung ist schön, aber die entscheidende Frage ist, ob Sie mehr Wert entdecken: eine Marge, die Sie zuvor nicht gesehen haben, gebundenes Kapital am falschen Ort oder ein falsch bepreistes Geschäft. Wenn KI die Zeit des Finanzteams freisetzt und diese Zeit nicht in Entscheidungen fließt, haben Sie lediglich die alte Arbeit automatisiert.

Folgen Sie uns

Sie können die Arbeit von Sergei Mochtchenkov auf LinkedIn verfolgen. Oder besuchen Sie aistartupcfo.com und financialmodeling.net.

Weitere Experteninterviews folgen im CFO Club!