Agentic FP&A kommt. Ihre Agenten brauchen ein abgestimmtes Fundament, nicht nur Autonomie

Agenten zur automatischen Forecast-Anpassung sind mächtig und gefährlich zugleich. Auf ungeprüften Zahlen potenzieren sie Fehler in Maschinengeschwindigkeit. Erst das abgestimmte Modell macht sie belastbar.

Stellen Sie sich die Demo vor, von der inzwischen jeder im Finanzbereich irgendeine Variante gesehen hat. Neue Ist-Zahlen treffen ein. Ein Agent bemerkt, dass die Bruttomarge um zwei Punkte unter Plan gerutscht ist, passt eigenständig den Forecast für den Rest des Jahres an, erstellt ein Downside-Szenario, formuliert den Abweichungskommentar und meldet sich beim FP&A-Lead, bevor überhaupt jemand eine Tabelle geöffnet hat. Das Ganze dauert neunzig Sekunden. Es sieht aus wie die Zukunft.

Ändern Sie nun eine Sache. Die Ist-Zahlen, die der Agent gelesen hat, stammten aus einem QuickBooks-Export, der noch nicht gegen den Bankfeed abgestimmt worden war, und der Umsatz war durch ein Durcheinander aus Rundungs- und Periodenabgrenzungsfehlern um rund drei Prozent zu hoch ausgewiesen. Der Agent wusste das nicht. Er hat den Forecast auf der überhöhten Basis angepasst, das Downside-Szenario war ein Downside von der falschen Zahl, und der Kommentar, den er verfasste, war eloquent und falsch. Die Meldung ging trotzdem raus.

Diese zweite Version ist kein hypothetisches Szenario. Sie ist das Standardergebnis, wenn Sie einen autonomen Agenten auf Finanzdaten ansetzen, die nicht vorher in Ordnung gebracht wurden.

Warum Agenten schlechte Daten verschlimmern, statt sie nur sichtbar zu machen

Eine KI-Antwort in einem einzigen Schritt scheitert an genau einer Stelle. Sie fragen nach der Marge, sie liefert eine falsche Marge, Sie bemerken es oder eben nicht, und der Schaden bleibt auf diese eine Antwort beschränkt.

Ein Agent hört nach einer Antwort nicht auf. Er verkettet. Die Forecast-Anpassung verarbeitet die fehlerhaften Ist-Zahlen. Das Szenario verarbeitet die Forecast-Anpassung. Die Empfehlung verarbeitet das Szenario. Die ausgelöste Aktion verarbeitet die Empfehlung. Jeder Schritt ist ein Multiplikator für das, was am Anfang falsch war, und jeder Schritt wirkt genauso ausgefeilt wie ein korrekter.

Genau das sollte einem CFO den Schlaf rauben, und es hat nichts damit zu tun, wie intelligent das Modell ist. Ein leistungsfähigeres Modell argumentiert nur umso flüssiger über die falschen Eingaben hinweg. Es prüft nicht, ob die Eingaben zum Hauptbuch passen, denn nichts im Training eines Sprachmodells verrät ihm, dass Ihr Xero-Saldo veraltet ist. Geschwindigkeit plus Autonomie plus ungeprüfte Daten ergibt keine Produktivität. Es ist ein schnellerer Weg zu einem Fehler, der überzeugend begründet klingt.

Was eine automatische Forecast-Anpassung tatsächlich voraussetzt

Die Funktionen, die man sich von Agentic FP&A wünscht, sind real und erstrebenswert:

Automatische Forecast-Anpassung, sobald die Ist-Zahlen einen festgelegten Schwellenwert über Plan hinaus verfehlen.
Szenario-Trigger, die eine Was-wäre-wenn-Rechnung auslösen, wenn sich ein Treiber bewegt – Pipeline, Churn, Wechselkurs.
Kontinuierliche Abweichungsüberwachung statt einer manuellen Prüfung einmal im Monat.

Jede dieser Funktionen hängt von derselben Vorbedingung ab: Die Zahlen, die der Agent liest, müssen korrekt, konsistent und nachvollziehbar sein. Nicht ungefähr. Ein Agent, der wöchentlich neu prognostiziert, liest Ihre Daten zweiundfünfzig Mal im Jahr unbeaufsichtigt. Die Abstimmung, die ein Mensch früher bei jedem Abschluss still erledigt hat, muss erfolgen, bevor der Agent auch nur einen Blick darauf wirft – sonst erfolgt sie gar nicht.

Das Fundament: ein einziges abgestimmtes Modell

Genau diese Arbeit leistet Rexfin, bevor überhaupt ein Agent ins Spiel kommt. Sie verbinden Ihre Buchhaltungsplattform oder Ihr Data Warehouse – QuickBooks, Xero, NetSuite, Sage – oder laden Auszüge hoch, und Rexfin erstellt ein einziges abgestimmtes Finanzmodell, das zum Hauptbuch passt. Eine Definition von Umsatz. Eine Definition von Marge. Zahlen, die mit dem führenden System übereinstimmen, statt drei Tabellen, von denen jede eine etwas andere Geschichte erzählt.

Dieses abgestimmte Modell ist das Fundament, für das diese gesamte Themensäule argumentiert. Den umfassenderen Fall machen wir in Single Source of Truth: Warum abgestimmte Daten der eigentliche Schlüssel für KI im Finanzwesen sind auf. Wenn jeder Agent, jede Abfrage und jedes Szenario aus demselben abgestimmten Modell liest, ändert das Potenzierungsproblem seinen Charakter: Jeder Schritt in der Kette erbt korrekte Eingaben statt fortgepflanzter Fehler.

Halten Sie die Rechnung vom Modell fern

Abgestimmte Eingaben lösen die Hälfte des Problems. Die andere Hälfte ist die Arithmetik selbst. Wenn Sie das Sprachmodell die Forecast-Anpassung berechnen lassen – selbst in einer Sandbox –, haben Sie den folgenreichsten Schritt ausgerechnet jener Komponente überlassen, die dafür am wenigsten geeignet ist. Generierter Code läuft sauber durch und ist trotzdem falsch, wenn das Modell die falsche Formel oder die falschen Eingaben gewählt hat. Warum das so ist, beleuchten wir im Detail in Warum „Nimm doch einen Code-Interpreter” KI nicht finanzsicher macht.

Rexfin zieht die Grenze anders. Der Abruf holt die Zahlen aus dem abgestimmten Modell. Eine deterministische Engine führt die Berechnungen aus – dieselben Eingaben erzeugen jedes Mal denselben Forecast, ohne Modelltemperatur im Spiel. Der Agent orchestriert: Er entscheidet, dass ein Schwellenwert überschritten wurde, er wählt, welches Szenario relevant ist, er verfasst den Kommentar. Er rechnet nie selbst, und er erfindet nie eine Zahl.

Diese Arbeitsteilung ist es, die aus der Neunzig-Sekunden-Demo etwas Belastbares statt etwas Gefährliches macht. Wenn das Board fragt, wie der Agent zu seiner Forecast-Anpassung gekommen ist, können Sie jede Zahl bis zu einer Hauptbuchbuchung zurückverfolgen und die Engine zeigen, die sie berechnet hat. Ein „Die KI hat das geschätzt” kommt in dieser Antwort nicht vor.

Die ehrlichen Grenzen

Ein abgestimmtes Fundament macht Agentic FP&A nicht risikofrei, und es wäre unredlich zu behaupten, dass es das täte. Müll im führenden Hauptbuch bleibt Müll – die Abstimmung deckt Diskrepanzen auf, sie erfindet aber nicht die Wahrheit, die Ihre Bücher nie erfasst haben. Ermessensentscheidungen darüber, auf welches Szenario man reagiert, bleiben Sache von Menschen. Und Sie wollen weiterhin einen Menschen in der Schleife haben, bevor die Ausgabe eines Agenten irgendetwas auslöst, das Geld berührt oder an ein Gremium geht.

Was das Fundament leistet, ist, die Fehleroberfläche auf Dinge zu verengen, die Sie sehen und steuern können. Es nimmt den gefährlichsten Fehler – den stillen, sich potenzierenden, nicht nachvollziehbaren Fehler – aus der Gleichung. Das ist der Unterschied zwischen einem Werkzeug, das Sie produktiv einsetzen können, und einer Demo, die Sie nur vorführen können.

Das Fazit

Agentic FP&A kommt – unabhängig davon, ob Ihre Daten dafür bereit sind. Die Frage ist nicht, ob Sie Ihren Agenten Autonomie geben. Sie lautet, ob Sie ihnen Autonomie auf der Grundlage eines abgestimmten Modells geben, das zum Hauptbuch passt, oder auf der Grundlage von Exporten, die niemand geprüft hat. Das Erste ist ein Kraftverstärker. Das Zweite vervielfacht Ihre Fehler in Maschinengeschwindigkeit.

Dieser Artikel ist Teil unserer Themensäule zu Agentic AI im Finanzwesen, die den vollständigen Fall für die Zahlenebene macht, die zuerst kommen muss. Wenn Sie Forecast- oder Szenario-Agenten pilotieren und sie auf einem abgestimmten Fundament laufen sehen möchten, buchen Sie eine Demo.