Vordenker

KI ist nur so intelligent wie die Finanzdaten, auf denen sie basiert

Ilan Atias
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteKI versagt, wenn Systeme sich uneinig darüber sind, was ein einzelnes Feld wie…
Mehr anzeigen
  • KI versagt, wenn Systeme sich uneinig darüber sind, was ein einzelnes Feld wie Zahldatum bedeutet.
  • Verbundene Finanzdaten ermöglichen es der KI, bedeutungsvolle Veränderungen von routinemäßigen Schwankungen zu unterscheiden.
  • Datenverträge und ereignisgesteuerte Abläufe sind wichtiger als die KI-Anwendung selbst.

KI ist mittlerweile Teil fast jeder Diskussion über die Zukunft des Finanzwesens. Unternehmen investieren in KI, um Routineaufgaben zu automatisieren, Prognosen zu verbessern und Mitarbeitenden zu helfen, schneller Entscheidungen zu treffen. Die meisten dieser Diskussionen beginnen bei Modellen und Anwendungen. Meiner Erfahrung nach sollten sie bei der Qualität, Vernetzung und Steuerung der Daten ansetzen, auf die diese Systeme angewiesen sind.

Ich habe meine gesamte berufliche Laufbahn damit verbracht, Zahlungsinfrastruktur aufzubauen und zu skalieren. Die größten Schwierigkeiten lagen dabei selten in den Algorithmen. Sie betrafen vielmehr die zugrunde liegende Infrastruktur, die dafür sorgen muss, dass Buchhaltungsplattformen, Banken, Lohnabrechnungsanbieter und Zahlungsnetzwerke denselben Geschäftsvorfall auf dieselbe Weise beschreiben.

Besonders deutlich zeigt sich diese Herausforderung im Finanzwesen. Buchhaltung, Bankwesen, Lohnabrechnung, Rechnungsstellung und Zahlungen erzeugen allesamt Informationen, die Geschäftsentscheidungen beeinflussen. Wenn diese Systeme unabhängig voneinander arbeiten, entstehen fragmentierte Datenumgebungen, die es der KI erheblich erschweren, den unternehmensweiten Kontext zu erfassen. KI kann Muster in einzelnen Systemen erkennen, aber ohne einen vernetzten Überblick über die Finanzen eines Unternehmens nicht zuverlässig erklären, was im gesamten Unternehmen vor sich geht. Schon früh bei Melio stießen wir auf ein Problem, das trivial klingt, es aber nicht ist: Was bedeutet „bezahlt“? Ein Kunde genehmigt am Montag eine Zahlung. Am Dienstag wird das Geld von seinem Konto abgebucht. Die Bank des Lieferanten stellt es am Donnerstag zur Verfügung. In der folgenden Woche wird die Transaktion einer Rechnung zugeordnet. Vier Zeitstempel, vier vertretbare Antworten auf die Frage „Wann wurde diese Rechnung bezahlt?“ – und keine davon ist falsch. Ein menschlicher Buchhalter kommt mit dieser Mehrdeutigkeit zurecht, ohne darüber nachzudenken. Ein Prognosemodell, das „Zahlungsdatum“ als einzelnes Feld behandelt, liefert zuversichtliche und systematisch falsche Vorhersagen zum zeitlichen Ablauf – und genau den muss eine Cashflow-Prognose richtig erfassen. Diese Systeme miteinander zu verbinden, war der notwendige erste Schritt. Erst als wir dafür sorgten, dass sie sich über die Bedeutung der Felder einig waren, wurde die Verbindung wirklich wertvoll. Im Finanzwesen beginnt „KI-Bereitschaft“ mit Vernetzung – und Vernetzung zählt nur dann, wenn die Systeme denselben Vorgang auf dieselbe Weise beschreiben.

Mehr Überblick führt zu besseren Entscheidungen

Der Bedarf an vernetzten Finanzdaten wird immer dringlicher. Laut dem Bericht Small Business Insights von Xero müssen kleine Unternehmen in den USA inzwischen durchschnittlich 29,3 Tage warten, bis sie bezahlt werden, während das jährliche Umsatzwachstum von 4,0 % weiterhin unter dem langfristigen Durchschnitt liegt. Wenn Zahlungszeitpunkte, Ausgaben und Nachfrage sich unabhängig voneinander entwickeln, brauchen Unternehmen Systeme, die diese Signale miteinander verknüpfen können, statt sie jeweils isoliert zu analysieren. Das gilt für die Finanzverwaltung eines Großunternehmens ebenso wie für einen Betrieb mit 10 Beschäftigten.

Stellen Sie sich ein Unternehmen vor, das abwägt, ob es vor Quartalsende eine weitere Person einstellen kann. Dafür ist mehr als der heutige Kontostand entscheidend: Erwartete Kundenzahlungen, Verpflichtungen für die Lohnabrechnung, wiederkehrende Ausgaben, anstehende Steuerzahlungen und prognostizierte Umsätze spielen alle eine Rolle. Keine einzelne Kennzahl liefert eine verlässliche Antwort. Werden diese Faktoren zusammengeführt, erhalten Führungskräfte ein klareres Bild ihrer Finanzlage – und die KI eine fundierte Grundlage für ihre Schlussfolgerungen. Automatisierung erfordert Zugriff auf Transaktionen. Schlussfolgerungen erfordern Kontext.

Finanzteams verbringen zu Beginn jedes Monats oft erst einmal Zeit damit, Daten aus verschiedenen Systemen abzugleichen, bevor eine aussagekräftige Analyse beginnen kann. Wenn sie sich ein vollständiges Bild verschafft haben, kann die Veränderung des Cashflows, die sie untersuchen wollen, bereits mehrere Wochen zurückliegen. Genau diese Verzögerung lässt sich durch vernetzte Daten verringern.

KI schafft Mehrwert, wenn sie das Unternehmen versteht

Die erste Generation von KI im Finanzwesen konzentrierte sich auf Effizienz: Transaktionen kategorisieren, Rechnungen verarbeiten und Teams dabei unterstützen, Routineaufgaben schneller zu erledigen. Diese Funktionen schaffen weiterhin Mehrwert, doch die Erwartungen verlagern sich von der Automatisierung einzelner Aufgaben hin zu kontextbezogener Entscheidungshilfe – mit früheren Einblicken in Cashflow-Risiken, präziseren Prognosen und einem besseren Verständnis dafür, wie sich Veränderungen im Zahlungsverhalten, bei den Ausgaben oder in den Umsatzmustern auf die künftige Geschäftsentwicklung auswirken könnten.

Dafür muss KI Finanzdaten in ihrem jeweiligen Kontext analysieren. Die Bedeutung jeder Transaktion hängt von den jeweiligen Rahmenbedingungen ab: Ein Anstieg der Ausgaben kann auf überhöhte Kosten hindeuten oder auf den Einkauf von Lagerbeständen im Vorfeld einer saisonbedingt höheren Nachfrage zurückzuführen sein; sinkende Barreserven können auf Liquiditätsengpässe hindeuten oder schlicht mit dem Zeitpunkt vierteljährlicher Steuerzahlungen zusammenhängen. KI wird dann wertvoll, wenn sie das Gleiche leisten kann – Muster aus vergangenen Transaktionen, Kassenbeständen, Forderungen und betrieblichen Signalen miteinander verknüpfen, um eine bedeutsame Veränderung von einer üblichen Schwankung zu unterscheiden.

Das richtige Fundament schaffen

Für Technologieverantwortliche, die den Einsatz von KI im Finanzwesen prüfen, lautet die entscheidende Frage nicht, welche Anwendung zuerst eingeführt werden soll, sondern ob die zugrunde liegende Datenumgebung den vollständigen und aktuellen Kontext bereitstellen kann, den diese Anwendungen benötigen. Beim Aufbau solcher Systeme sind einige Investitionen besonders wichtig:

Integrationen als Verträge behandeln, nicht als bloße Verbindungen. Eine einmalige Synchronisierung zwischen einer Buchhaltungsplattform und einem Zahlungssystem wird mit der Zeit auseinanderlaufen. Legen Sie klare Datenverträge fest – einschließlich Schemas, Felddefinitionen und Aktualitätsgarantien –, damit sich Änderungen in einem vorgelagerten System nicht unbemerkt negativ auf nachgelagerte KI auswirken.

Wechseln Sie vom Stapelabgleich zu ereignisgesteuerten Datenflüssen. Wenn Finanzdaten wöchentlich oder monatlich abgeglichen werden, erstellt die KI Prognosen auf Grundlage veralteter Informationen. Ereignisgesteuerte Datenpipelines, die Transaktionen unmittelbar bei ihrem Auftreten weiterleiten, versorgen Modelle mit den aktuellen Daten, die sie benötigen, um Veränderungen frühzeitig zu erkennen.

Schaffen Sie eine semantische Ebene für Finanzkennzahlen. „Liquiditätslage“, „offene Forderungen“ und „Umsatz“ müssen in jedem System dasselbe bedeuten. Ohne einheitliche Definitionen liefert die KI mit großer Überzeugung Antworten, die verschiedene Teams unterschiedlich interpretieren.

Bewerten Sie KI-Ergebnisse anhand verifizierter Fakten. Das Hauptbuch ist gegenüber den meisten KI-Bereichen ein Vorteil des Finanzwesens: Es gibt einen überprüfbaren Datensatz. Für KI-generierte Finanzeinblicke sollten dieselben Maßstäbe gelten wie für die Arbeit eines Nachwuchsanalysten: Sie sollten anhand tatsächlicher Ergebnisse geprüft und ihre Genauigkeit im Zeitverlauf gemessen werden. Vertrauen in KI-Empfehlungen wird durch Messungen verdient, nicht einfach behauptet.

Diese Investitionen erhalten weniger Aufmerksamkeit als die darauf aufbauenden KI-Anwendungen, entscheiden jedoch darüber, ob diese Anwendungen funktionieren.

Der entscheidende Unterschied

Mit der zunehmenden Einbindung von KI ins Finanzmanagement verlagert sich die technische Herausforderung: Nicht mehr die Fähigkeiten einzelner Modelle stehen im Mittelpunkt, sondern die Frage, wie effektiv sie innerhalb der umfassenderen Finanzdatenarchitektur arbeiten.

Unternehmen, die in vernetzte Daten investieren, erkennen Veränderungen der Cashflows früher und können sich stärker auf KI-generierte Prognosen verlassen. Der Unterschied liegt nicht im Modell, sondern in den Daten, auf denen es basiert.

Ilan Atias leitet bei Melio die Teams für Forschung & Entwicklung, Produkt und BI. Vor Melio war Ilan VP für Forschung & Entwicklung bei Windward, dem weltweit führenden Unternehmen für prädiktive maritime Analytik. Zuvor arbeitete Ilan als Forscher beim Native-Advertising-Unternehmen Outbrain und war dort für ein personalisiertes Empfehlungssystem verantwortlich, das maschinelle Lernalgorithmen nutzte.