Stellen Sie sich vor, ein KI-Tool liefert eine Umsatzprognose, die 12 % unter Plan liegt. Diese Zahl landet auf dem Schreibtisch des CFO. Seine erste Frage lautet nicht: „Was tun wir?“, sondern „Wie sind wir zu diesem Ergebnis gekommen?“ Wenn Ihr FP&A-Team darauf keine Antwort hat, braucht es gar keine Empfehlungen aussprechen - sie wären ohnehin direkt vom Tisch.
KI in der Finanzplanung entwickelt sich in rasantem Tempo. Die Tools werden bei der Mustererkennung immer besser, bei der Szenariomodellierung immer schneller und konsistenter als jede Tabellenkalkulation oder Altlösung. Doch Leistungsfähigkeit und Vertrauen sind nicht dasselbe. Und derzeit klafft eine immer größer werdende Lücke zwischen dem, was KI im Finanzwesen leisten kann, und dem, worauf CFOs tatsächlich ihr Handeln vertrauensvoll stützen wollen. Der Grund ist in den meisten Fällen derselbe: Die Tools gleichen einer Blackbox.
In einem Bereich, der auf Rechenschaftspflichten beruht, ist das ein grundsätzliches Problem.
Das Vertrauensproblem von CFOs bei Blackbox-KI
Als Blackbox-KI wird jedes Modell bezeichnet, das Ausgaben wie Prognosen, Abweichungserklärungen und Kostenempfehlungen liefert, ohne die Logik, Annahmen oder Daten offenzulegen, auf denen diese Ausgaben beruhen. Die Ausgabe liegt vor. Die Begründung fehlt.
In manchen Bereichen ist dies ein vertretbarer Kompromiss. Im Finanzwesen nicht. Finanzverantwortliche tragen treuhänderische Verantwortung. Ihre Ergebnisse fließen in Präsentationen für den Vorstand, Audit-Prozesse und regulatorische Offenlegungen ein. Jede Zahl, die sie präsentieren, enthält ein stillschweigendes Versprechen: Ich kann diese Zahl sicher vertreten.
Wenn KI in der Finanzplanung eine Empfehlung liefert, die sich nicht kritisch hinterfragen und verteidigen lässt, entsteht Unsicherheit. CFOs, die skeptisch gegenüber undurchsichtigen KI-Tools sind, sperren sich nicht gegen Veränderungen. Sie tun genau das, was ihre Rolle verlangt: Annahmen zu hinterfragen, bevor die Unternehmensstrategie darauf aufbaut.
Das richtige Vorgehen besteht nicht darin, die CFOs davon zu überzeugen, der KI-Ausgabe trotzdem zu vertrauen. Es geht darum, KI-gestützte Finanzlösungen zu nutzen, die Ihr Vertrauen durch transparente Begründungslogik verdienen. Dies wird zunehmend als Explainable AI (XAI) oder Glass Box Intelligence bezeichnet: Die Logik ist transparent und jeder Einflussfaktor lässt sich zurückverfolgen.
Was bedeutet Explainable AI oder nachvollziehbare KI im Finanzwesen?
Explainable AI bezeichnet KI-Systeme, die Empfehlungen zusammen mit der Begründung, den Datenquellen und den Annahmen, aus denen sie hervorgegangen sind, bereitstellen. Im Finanzbereich bedeutet das, dass FP&A-Teams eine Empfehlung oder Prognose bis zu ihren Eingabedaten zurückverfolgen und jeden Schritt der Logik gegenüber Führungskräften und Auditoren gleichermaßen sicher vertreten können.
Das Ziel von Explainable AI, oder nachvollziehbarer KI, ist nicht Transparenz um ihrer selbst willen. Vielmehr soll sichergestellt werden, dass KI-gestützte Empfehlungen denselben Prüfungsstandards genügen wie jede andere Finanzanalyse.
Warum Auditierbarkeit und Data Lineage unverzichtbar sind
Nachvollziehbarkeit und Auditierbarkeit sind miteinander verwandt, aber nicht dasselbe. Nachvollziehbarkeit fragt: Verstehen Sie die Ausgabe? Auditierbarkeit fragt: Können Sie belegen, wie die Ausgabe erzeugt wurde, durch welchen Prozess und von wem? Für das Finanzwesen braucht man beides.
Datenherkunft (Data Lineage) geht im Finanzwesen noch einen Schritt weiter: Sie ist die Fähigkeit, eine Zahl von ihrem ursprünglichen Quellsystem (z. B. ERP, CRM oder Workforce-Plattform) über jede Transformation, Berechnung und Modellannahme hinweg bis zur endgültigen Empfehlung zurückzuverfolgen. Wenn ein Auditor fragt, woher eine Zahl stammt, liefert Data Lineage die Antwort.
Die meisten Finanzteams erkennen oft erst, wie wichtig das ist, wenn es auf den Prüfstand gestellt wird. KI-Empfehlungen, die nicht vollständig auditierbar sind, schaffen reale Risiken – beim Abschlussprozess, bei der Prüfung durch den Vorstand sowie in einem regulatorischen Umfeld mit Dokumentationspflicht. Die Frage, wer was wann und auf Grundlage welcher Eingaben geändert hat, ist längst nicht mehr nur eine interne Governance-Angelegenheit. Sie wird zunehmend zu einer externen Erwartung.
Der Begriff „deterministische KI“ bezieht sich auf Modelle, deren Ausgaben definierten, auditierbaren Regeln folgen und nicht auf undurchsichtiger statistischer Inferenz beruhen. Genau hier liegt ein besonderer Vorteil. Wenn die Logik deterministisch ist, können FP&A-Teams der Argumentationskette Schritt für Schritt folgen. Das bedeutet nicht, dass probabilistische Modelle keinen Platz in der Finanzwelt haben; für Prognosen können sie äußerst wertvoll sein. Aber selbst diese Modelle benötigen eine Governance-Ebene, die ihre Annahmen offenlegt und ihre Ausgaben zurückverfolgbar macht.
„Von unserem CFO kam die Rückmeldung, dass die Gespräche besser verlaufen und bessere Entscheidungen getroffen werden, weil die Beteiligten sofort die finanziellen Auswirkungen ihrer Entscheidungen kennen.“
– Philipp Ahrendt, Leiter Financial Modeling and Analytics, Bayer
Kundenstory lesen
Die Erfahrung von Bayer zeigt den direkten Zusammenhang zwischen Transparenz und Vertrauen der Führungsebene. Wenn die Führungskräfte die zugrunde liegenden Annahmen für eine Empfehlung kennen und den Zahlen vertrauen können, auf denen sie beruht, verlagert sich das Gespräch von der reinen Datenvalidierung hin zur strategischen Planung.
Wie gute Umsetzung in der Praxis aussieht
Welche Anforderungen sollten FP&A-Verantwortliche also konkret an KI-Tools stellen? Hier kommt es vor allem auf drei Aspekte an:
| Transparente Modelllogik mit sichtbaren Annahmen | Lückenlos nachvollziehbare Datenherkunft von der Quelle bis zur Ausgabe | Rollenbasierte Auditierbarkeit |
|---|---|---|
|
Zu jeder KI-Ausgabe gehört eine Erklärung, welche Faktoren für sie maßgeblich waren. Keine nachträglich erzeugte Zusammenfassung, sondern eine Logik, die in die Funktionsweise des Modells eingebettet ist. Wenn sich Annahmen ändern, ändert sich dadurch auch die Ausgabe, und zwar auf eine Weise, die das Team nachvollziehen kann. |
FP&A-Teams sollten in der Lage sein, jede KI-generierte Zahl über das Modell bis hin zu den Quelldaten, aus denen sie entstanden ist, lückenlos zurückzuverfolgen, d.h. ohne dass es dazwischen nicht nachvollziehbare Transformationen gibt. Das ist grundlegend für die Datenherkunft im Finanzwesen und entspricht zunehmend den Erwartungen von Auditoren. |
Bei jeder Änderung, jedem Override und jeder Empfehlung sollte protokolliert werden, wer was wann und auf Grundlage welcher Eingaben geändert, übersteuert oder empfohlen hat. Das ist KI-Governance im Finanzwesen in ihrer praktischsten Form – kein Richtliniendokument, sondern eine Architektur, in der sich die Rechenschaftspflicht nicht umgehen lässt. |
Agentenbasierte KI-Tools wie der Anaplan Finance Analyst basieren auf dieser Grundlage. Sie arbeiten innerhalb von Governance-gesteuerten Planungsmodellen, in denen KI-gestützte Empfehlungen nachvollziehbar und auditierbar sind und sich direkt auf die Geschäftsdaten zurückführen lassen, aus denen sie hervorgegangen sind. Ebenso zeigt der Anaplan Anomaly Detector Probleme im Kontext auf: Er markiert nicht einfach ein Problem, sondern erklärt dessen Auswirkungen und das empfohlene Vorgehen, damit Finanzteams schnell und sicher reagieren können.
Der Unterschied ist entscheidend: KI, die in eine Governance-gesteuerte Planungsumgebung eingebettet ist, verhält sich anders als KI, die im Nachhinein aufgesetzt wird. Wenn die Intelligenz auf derselben Datengrundlage arbeitet wie der Plan selbst, ist Nachvollziehbarkeit kein nachträglicher Zusatz. Sie ist vielmehr strukturell verankert.
Wie verbessert KI die Finanzplanung?
Wenn KI auf einer nachvollziehbaren, auditierbaren Grundlage basiert, kann sie in der Finanzplanung Prognoseabweichungen und deren Ursachen in Echtzeit sichtbar machen, komplexe „Was-wäre-wenn“-Szenarien für mehrere Geschäftstreiber gleichzeitig modellieren, Anomalien feststellen und Erkenntnisse liefern, die auf zurückverfolgbaren Daten beruhen.
Welche Fragen FP&A-Führungskräfte ihren Anbietern stellen sollten
Der Wechsel zu Explainable AI im Finanzwesen beginnt nicht mit einer Grundsatzentscheidung. Er beginnt mit den Fragen, die FP&A-Führungskräfte stellen, wenn sie ihre Technologielandschaft einer (Neu-)Bewertung unterziehen. Dazu gehören u. a.: Können Sie mir zeigen, woher diese Zahl stammt? Welche Annahmen haben zu dieser Empfehlung geführt, und wo sind sie dokumentiert? Wenn mein CFO für diese Prognose einen vollständigen Audit-Trail anfordert, was würde der dann sehen? Wer hat was wann geändert?
Jedes KI-Tool, das im Finanzbereich eingesetzt wird, sollte diese Fragen beantworten können. CFOs, die KI erfolgreich nutzen, vertrauen deren Ausgaben nicht blindlings. Sie verlangen Transparenz, und ihre Teams sind in der Lage, jede Erkenntnis zu überprüfen.
FP&A-Führungskräfte, die ihre KI-Praxis auf Nachvollziehbarkeit aufbauen, erstellen nicht nur bessere Prognosen. Sie bauen glaubwürdigere und einflussreichere Finanzbereiche auf.