KI baut den Berichtszyklus neu auf
Andrew Lokenauth erklärt, wie KI die Finanzplanung und -analyse (FP&A) durch die Automatisierung der monatlichen Berichterstattung verändert und dabei menschliches Urteilsvermögen für bessere Finanzentscheidungen unverzichtbar bleibt.
Andrew Lokenauth
Gründer von The Finance Newsletter und Be Fluent In Finance
Karrierewechsel: Andrew Lokenauth wechselte von Finanzpositionen bei großen Banken zur Gründung finanzorientierter Plattformen.
Auswirkungen der KI: KI hat die Finanzberichterstattung verändert, Berichtszyklen verkürzt und Fehler reduziert, indem sie Datenprozesse automatisiert.
Effizienz der Arbeitsabläufe: Die Einführung von KI im Finanzbereich verkürzt Berichtszeiträume von Tagen auf Stunden und führt zu weniger Fehlern.
Menschliche Kontrolle: KI übernimmt Datenaufgaben, doch wichtige Entscheidungen erfordern weiterhin menschliches Urteilsvermögen und kontextbezogenes Verständnis.
Herausforderungen bei den Daten: Eine erfolgreiche KI-Integration beginnt damit, Datenqualität und -strukturierung vor dem Einsatz der Technologie zu gewährleisten.
Vor der Gründung von TheFinanceNewsletter.com und BeFluentInFinance.com hatte Andrew Lokenauth bei mehreren bekannten Banken Führungspositionen als Director und VP im Finanzbereich inne. Heute gilt er als Vordenker in Finanzfragen und erreicht mehr als 3 Millionen Follower.
Wir haben uns mit Andrew getroffen, um zu erfahren, wie sich KI auf die Branche auswirkt – mit all ihren Risiken und Chancen. Das hat er uns erzählt.
Automatisierung, bevor KI zum Schlagwort wurde
Ich begann meine Karriere bei Citi und arbeitete anschließend bei Goldman Sachs, AIG, JPMorgan und der Signature Bank in Positionen, die FP&A, strategische Finanzen, Investor Relations und Unternehmensentwicklung umfassten. Lange bevor KI zum Thema wurde, automatisierte ich Finanzprozesse mit Python, SQL und VBA. Bei Goldman verkürzte ich die Zyklen der GuV-Berichterstattung um mehrere Tage. Bei der Signature Bank entwickelte ich Systeme, die die Zeit bis zu verwertbaren Erkenntnissen für die Führungsebene von mehreren Tagen auf weniger als 24 Stunden verkürzten. Als generative KI aufkam, fühlte sich das nicht disruptiv an. Es wirkte wie der natürliche nächste Schritt in einer Arbeit, die ich bereits seit fast zwei Jahrzehnten verrichtete.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Nach meinem Ausscheiden aus dem institutionellen Finanzwesen gründete ich TheFinanceNewsletter.com und BeFluentInFinance.com. Dort schreibe ich über Finanzen und Technologie für mehr als 100.000 Newsletter-Abonnenten und über 3 Millionen Follower in sozialen Medien. Meine Erkenntnisse zu diesem Thema wurden in Forbes, CNBC, dem Wall Street Journal und Business Insider veröffentlicht. Ich schreibe aus demselben Grund weiter darüber, aus dem ich mich ursprünglich dafür interessiert habe: Der Großteil der Diskussion ist noch immer zu theoretisch, zu stark von Anbietern geprägt und zu weit davon entfernt, wie Finanzen in der Praxis tatsächlich funktionieren.
Außerdem betreibe ich eine Beratungspraxis auf Teilzeitbasis, in der ich als Interims-CFO und COO für wachstumsstarke Start-ups und mittelständische Unternehmen mit einem Umsatz zwischen $1M und $5M tätig bin.
Wie KI die monatliche Berichterstattung verändert
…ein Finanzteam verbrachte die ersten fünf bis sieben Arbeitstage jedes Monats damit, Daten zusammenzutragen, abzugleichen und eine Präsentation zu formatieren, die bereits veraltet war, wenn die Führungsebene sie zu Gesicht bekam. Jetzt sind dieselben Erkenntnisse innerhalb weniger Stunden verfügbar… Die Technologie ist nicht kompliziert. Was den meisten Teams fehlt, ist die Bereitschaft, den Arbeitsablauf neu zu gestalten.
Die größte Veränderung in meiner Arbeit in den vergangenen 12 Monaten war der Ersatz statischer monatlicher Berichtspakete durch eine KI-gestützte FP&A-Ebene, die auf den zentralen Finanzsystemen eines Kunden aufsetzt. Sie bezieht Daten aus Buchhaltungssoftware, CRM und der Lohnabrechnung und führt fortlaufend automatisierte Abweichungsanalysen durch.
Zuvor verbrachte ein Finanzteam die ersten fünf bis sieben Arbeitstage jedes Monats damit, Daten zusammenzutragen, abzugleichen und eine Präsentation zu formatieren, die bereits veraltet war, wenn die Führungsebene sie zu Gesicht bekam. Jetzt sind dieselben Erkenntnisse innerhalb weniger Stunden verfügbar. Die KI übernimmt dabei die Datenaggregation und die Erkennung von Abweichungen, während ein Mensch die Ergebnisse im Hinblick auf Kontext und Ermessensentscheidungen prüft.
Das Ergebnis war über alle Projekte hinweg konsistent:
- Die Monatsabschlusszyklen verkürzen sich um etwa 30 bis 40 %.
- Die Erstellung von Präsentationen für den Vorstand sinkt von etwa 3 Tagen auf weniger als 6 Stunden.
- Die Fehlerquoten sinken, weil weniger manuelle Schritte auch weniger manuelle Fehler bedeuten.
- Finanzteams verlagern ihre Energie von der Datensammlung auf die eigentliche Geschäftsanalyse.
- Die Qualität der Entscheidungen im gesamten Unternehmen verbessert sich, weil der CFO die Finanzdaten in Echtzeit analysieren kann.
Die Technologie ist nicht kompliziert. Was den meisten Teams fehlt, ist die Bereitschaft, den Arbeitsablauf neu zu gestalten.
Ein KI-gestützter Workflow für Abschluss und Berichterstattung
Hier ist die schrittweise Aufschlüsselung des Workflows für Abschluss und Berichterstattung:
- Automatisierter Datenabruf über Fivetran: Eine geplante Pipeline ruft alle 24 Stunden Daten aus Buchhaltungssoftware, CRM und Lohnabrechnung ab und überträgt sie in eine saubere, zentralisierte Datenbank.
- KI-gestützte Abstimmung und Kennzeichnung von Abweichungen über BlackLine: Die KI-Ebene vergleicht die Ist-Werte mit dem Budget für jede wichtige Position, kennzeichnet Abweichungen oberhalb definierter Schwellenwerte und erstellt eine allgemein verständliche Erklärung zu jeder Kennzeichnung.
- Prüfung durch Menschen: Die Finanzleitung prüft jedes gekennzeichnete Element, ergänzt den geschäftlichen Kontext und entscheidet, was eskaliert werden muss. Dabei wird sie von FloQast AI bei der Kommentierung von Veränderungen unterstützt.
- Dashboard und narrative Ausgabe über Datarails: Eine formatierte Präsentation für den Vorstand und eine Zusammenfassung für die Führungsebene werden automatisch aus den geprüften Daten erstellt und sind sofort versandbereit.
Was früher 3 Tage gedauert hat, dauert jetzt 4 bis 6 Stunden.
Praxisbeispiele dafür, wie KI die monatliche Berichterstattung verbessert und beeinträchtigt
Hier ist ein Beispiel. Ich habe mit einem Fintech-Unternehmen der Serie B gearbeitet, bei dem wir ein KI-gestütztes System zur Überwachung des Cashflows eingeführt haben. Dieses erkannte sechs Wochen, bevor daraus ein Liquiditätsproblem wurde, ein Konzentrationsrisiko bei einem Kunden.
Das Modell erkannte ein Muster bei den überfälligen Forderungen, das einem menschlichen Prüfer bei den vorangegangenen Monatsabschlüssen entgangen war. Diese eine Entdeckung war mehr wert als die gesamten Implementierungskosten.
Auf der negativen Seite hatte ich einen Kunden, dessen KI-generierte Prognose in Monaten mit stark schwankenden Rechnungsvolumina um 15 bis 20% abwich. Das Modell war anhand historischer Muster trainiert worden, die eine kürzlich erfolgte Veränderung im Umsatzmix nicht widerspiegelten. Die Ausgabe wirkte professionell und selbstbewusst, und niemand stellte sie infrage, bis der CFO die Abweichung in einer Vorstandssitzung bemerkte.
Ein Ergebnis, das selbstbewusst wirkt, ist nicht dasselbe wie ein zuverlässiges Ergebnis.
KI übernimmt das „Was“ – Menschen übernehmen das „Und was bedeutet das?“
Die für KI am besten geeigneten Tätigkeiten sind solche mit klaren Regeln, historischen Mustern und hoher Wiederholungsrate. Ich setze KI ein für:
- Durchläufe von Prognosemodellen
- Abweichungsanalysen
- Modellierung von Cashflow-Szenarien
- Anomalieerkennung
- Regelmäßige Berichterstattung
Wo Menschen weiterhin eingebunden bleiben, sind Entscheidungen über die Kapitalallokation, Risikoeinschätzungen, Vertragsverhandlungen, die Kommunikation mit Investoren, regulatorische Auslegungen und alles, was das Erfassen eines geschäftlichen Kontexts erfordert, der nicht in den Daten enthalten ist. Ein Modell kann darauf hinweisen, dass sich Ihre Cash-Burn-Rate beschleunigt. Es kann Ihnen nicht sagen, dass der Grund dafür ein Beziehungsproblem mit einem Gründer oder ein Vertriebsmitarbeiter ist, der seine Pipeline absichtlich zu niedrig ansetzt.
Das Denkmodell, das ich verwende, lautet: KI übernimmt das „Was“, Menschen übernehmen das „Und was bedeutet das?“
Dies ist eine der praktischsten Möglichkeiten, über die Integration von KI in eine Finanzfunktion nachzudenken. Ohne das jeweils andere ist eines von beiden unvollständig, und beide Fehlentwicklungen (zu starke oder zu geringe Automatisierung) kosten Unternehmen real Geld.
Warum übermäßige Automatisierung und übermäßiges Vertrauen in KI große Risiken für Finanzteams darstellen
KI bringt viele Vorteile. Aber auch die Nachteile sind real. KI erzeugt ein falsches Gefühl der Sicherheit, wenn die zugrunde liegenden Daten nicht sauber sind. Außerdem besteht die Gefahr einer übermäßigen Automatisierung … Ich denke, dass der Bereich eine ehrlichere Berichterstattung darüber und weniger übertriebene Anbieterwerbung braucht.
KI bringt viele Vorteile. Aber auch die Nachteile sind real.
KI erzeugt ein falsches Gefühl der Sicherheit, wenn die zugrunde liegenden Daten nicht sauber sind. Ich habe erlebt, dass Finanzteams KI-generierten Abweichungsberichten vertrauten, ohne die Qualität der Quelldaten zu hinterfragen, und das stellt ein echtes Risiko dar.
Es gibt auch eine Falle der Überautomatisierung: Wenn Sie die menschliche Überprüfung aus zu vielen Schritten entfernen, verlieren Sie das institutionelle Wissen, das Fehler erkennt, die Modelle nicht sehen können.
Ich denke, dass der Bereich darüber ehrlicher berichten und weniger von Anbieterversprechen geprägt sein sollte.
Wo KI an ihre Grenzen stößt
Was das Finanzwesen betrifft, stößt KI an drei wichtigen Stellen an ihre Grenzen.
Erstens hatte ich erwartet, dass KI bei der Auslegung von Compliance-Vorgaben und bei aufsichtsrechtlichen Beurteilungen weiter fortgeschritten wäre. Während meiner Jahre bei Signature Bank und Amalgamated Bank beruhte ein großer Teil der Arbeit im Bereich der Finanzkontrollen auf differenzierten Ermessensentscheidungen: aufsichtsrechtliche Leitlinien zu lesen, die Erwartungen von Prüfern vorherzusehen und zu wissen, wann eine Zahl technisch gesehen den Anforderungen entspricht, aber dennoch Anlass für eine Kennzeichnung gibt. KI-Tools können heute relevante Vorschriften aufzeigen und Leitliniendokumente zusammenfassen. Sie können jedoch nicht das Urteilsvermögen ersetzen, das durch jahrelange Gespräche mit Aufsichtsbehörden entsteht.
Zweitens geht es um die Erstellung von Prüfpfaden und die Erklärbarkeit innerhalb komplexer Finanzabläufe. Als ich bei Signature Bank die Beziehungen zu Investoren für ein Institut mit einem Volumen von mehr als $110B betreute, verfügte jede Zahl, die in eine SEC-Einreichung, einen Ergebniscall oder eine aufsichtsrechtliche Meldung einging, über einen dokumentierten Prüfpfad und einen eindeutig verantwortlichen Mitarbeiter. Von KI erzeugte Ergebnisse, insbesondere solche, die von auf großen Sprachmodellen basierenden Systemen erstellt werden, verfügen nur selten über eine nachvollziehbare Argumentationskette, die einen Aufsichtsprüfer oder externen Wirtschaftsprüfer zufriedenstellen würde. Das Ergebnis kann korrekt sein, aber man kann nicht immer in der Form offenlegen, wie es zustande gekommen ist, die ein Compliance-Umfeld erfordert.
Und drittens geht es um Unternehmen in einer frühen Entwicklungsphase mit einer ungeordneten Dateninfrastruktur. Der Ansatz von KI setzt einigermaßen saubere und verknüpfte Daten voraus. Die meisten Start-ups verfügen nicht darüber. Sehen wir uns das genauer an.
Warum jede KI-Initiative mit einer Datenprüfung beginnen sollte
Die Datenqualität ist der eigentliche Engpass. Nicht das Modell, nicht das Tool, nicht der Anbieter. Als ich mein erstes KI-gestütztes Finanzprojekt begann, erwartete ich, dass die Technologie der schwierige Teil sein würde. Das war sie nicht. Die eigentliche Herausforderung bestand darin festzustellen, dass die Finanzdaten des Unternehmens in drei verschiedenen Systemen lagen, die nicht miteinander kommunizierten, uneinheitliche Namenskonventionen verwendeten und monatelange Lücken aufwiesen. Wir verbrachten ungefähr 60% der Projektlaufzeit mit der Bereinigung der Daten, bevor die KI-Tools etwas Sinnvolles leisten konnten.
Jede KI-Initiative sollte mit einer Datenprüfung beginnen, nicht mit der Auswahl eines Tools. Sie müssen wissen, welche Daten Sie haben, wo sie gespeichert sind, wie sauber sie sind und ob sie ausreichend strukturiert sind, damit ein Modell daraus lernen kann. Dieser eine Schritt würde wochenlange Nacharbeiten vermeiden und die Erwartungen der Führungsebene deutlich früher korrigieren.
Früher bestand das Modell darin, mehr Menschen einzustellen, um mehr Erkenntnisse zu gewinnen. Heute geht es darum, eine bessere Dateninfrastruktur aufzubauen und anschließend die bestehende Leistung Ihres Teams durch KI zu vervielfachen. Das ist eine andere Entscheidung bei der Kapitalallokation, und die meisten Führungskräfte im Finanzbereich haben sie noch nicht getroffen.
Wie sich Finanzteams durch KI verändern
Die größte Veränderung, die ich in Teams beobachtet habe, ist eine Verkleinerung der Ebene der Junior-Analysten. Aufgaben, für die früher 2 bis 3 Analysten erforderlich waren, die Daten abriefen, Abstimmungen durchführten und grundlegende Abweichungsanalysen erstellten, können heute von einer KI-Ebene übernommen werden, wobei eine Person die Ergebnisse überwacht. Das bedeutet nicht zwangsläufig, dass die Mitarbeiterzahl sinkt. Häufiger werden dieselben Mitarbeiter für höherwertige Aufgaben eingesetzt: als Geschäftspartner, für Szenarioanalysen, die Kommunikation mit Investoren und die strategische Planung.
Auch das Anforderungsprofil für eine gute Einstellung im Finanzbereich verändert sich. Die besten Mitarbeiter, nach denen ich heute suche, sind nicht nur stark in Buchhaltung oder Finanzmodellierung. Sie verstehen, wie man mit KI-Ergebnissen arbeitet, wissen, wann sie einem Modell vertrauen und wann sie es hinterfragen sollten, und können finanzielle Erkenntnisse klar an Stakeholder außerhalb des Finanzbereichs vermitteln. Diese Kombination aus finanzwirtschaftlicher Genauigkeit, KI-Kompetenz und Kommunikationsfähigkeiten ist derzeit selten und wird entsprechend vergütet.
Was CFOs lernen müssen, um im kommenden Jahrzehnt erfolgreich zu sein
Die CFOs, die im kommenden Jahrzehnt erfolgreich sein werden, werden ganz anders aussehen als diejenigen, die im vergangenen Jahrzehnt erfolgreich waren. Die technischen Finanzkenntnisse (Modellierung, Berichterstattung, Compliance) werden zunehmend zu Grundvoraussetzungen, die von KI übernommen werden. Die Fähigkeiten, die herausragende CFOs auszeichnen, werden Urteilsvermögen, Kommunikation, strategisches Denken und die Fähigkeit sein, durch Unsicherheit zu führen.
Mein Rat lautet, in die Fähigkeiten zu investieren, die KI nicht nachahmen kann. Bauen Sie stärkere Beziehungen zu Führungskräften im Unternehmen auf. Verbessern Sie Ihre Fähigkeit, Finanzwissen für Zielgruppen außerhalb des Finanzbereichs verständlich zu vermitteln. Entwickeln Sie echtes strategisches Urteilsvermögen, nicht nur Fähigkeiten in der Finanzanalyse. Das sind die Kompetenzen, die herausragende CFOs in einer durch KI erweiterten Zukunft auszeichnen werden.
Vier Schritte, die jeder CFO unternehmen sollte
Vier Dinge, die ich jedem CFO jetzt sagen würde:
Erstens: Führen Sie vor allem anderen eine Datenprüfung durch. Wissen Sie, wo Ihre Finanzdaten gespeichert sind, wie sauber sie sind und ob sie ausreichend strukturiert sind, damit ein Modell mit ihnen arbeiten kann.
Zweitens: Beginnen Sie mit einem einzigen Arbeitsablauf. Die CFOs, die meiner Erfahrung nach mit KI erfolgreich sind, wählen den problematischsten und sich am häufigsten wiederholenden Prozess in ihrem Bereich aus — in der Regel den Monatsabschluss oder die Präsentation für den Vorstand — und gestalten den Arbeitsablauf neu, bevor sie ihn automatisieren. Diese Reihenfolge ist entscheidend. Erstellen Sie den Arbeitsablauf zunächst auf Papier, bevor Sie ihn in einem Tool umsetzen. Dokumentieren Sie jeden Schritt des Prozesses, den Sie automatisieren möchten, ermitteln Sie, welche Schritte regelbasiert (für KI geeignet) sind und welche Urteilsvermögen erfordern (durch Menschen auszuführen), und setzen Sie ihn anschließend entsprechend um.
Drittens: Definieren Sie Kontrollpunkte für die menschliche Prüfung, bevor Sie live gehen. Jede KI-Ausgabe in einem Finanzprozess sollte eine verantwortliche Person haben, die sie freigibt.
Viertens: Erfassen Sie die Ausgangswerte, bevor Sie beginnen. Wenn Sie nicht wissen, wie lange Ihr aktueller Monatsabschluss dauert oder wie hoch Ihre derzeitige Prognosefehlerquote ist, können Sie nicht belegen, dass KI eine Verbesserung bewirkt hat.
Diese vier Schritte klingen unkompliziert, und das sind sie auch. Doch die meisten Organisationen überspringen zwei oder drei davon, weil sie es kaum erwarten können, zur Technologie zu kommen. Daher rührt der größte Teil der Enttäuschung.
Vier Dinge, die ich jedem CFO jetzt sagen würde: Erstens: Führen Sie vor allem anderen eine Datenprüfung durch. Zweitens: Beginnen Sie mit einem einzigen Arbeitsablauf. Drittens: Definieren Sie Kontrollpunkte für die menschliche Prüfung, bevor Sie live gehen. Viertens: Erfassen Sie die Ausgangswerte, bevor Sie beginnen…Diese vier Schritte klingen unkompliziert, und das sind sie auch. Doch die meisten Organisationen überspringen zwei oder drei davon, weil sie es kaum erwarten können, zur Technologie zu kommen. Daher rührt der größte Teil der Enttäuschung.
Bleiben Sie auf dem Laufenden
Sie können Andrew Lokenauths Arbeit auf LinkedIn, YouTube und seiner persönlichen Website verfolgen. Oder sehen Sie sich The Finance Newsletter und seine Website BeFluentInFinance.com an.
Weitere Experteninterviews folgen auf The CFO Club!
