Ein abgestimmtes Modell über 40 Zweckgesellschaften: Multi-Entity-Konsolidierung für Giga-Projekte der Vision 2030

In einem Lenkungsausschuss stellt ein Programmdirektor eine scheinbar einfache Frage: „Wie hoch ist unser gesamtes zugesagtes Kapital über das gesamte Projekt, und wie viel ist davon abgerufen?” Drei Personen öffnen drei verschiedene Dateien. Die Zahlen liegen rund 4 % auseinander. Niemand kann sagen, welche stimmt. Die Sitzung geht weiter, und die Abweichung wird stillschweigend zur Ausgangsbasis für die nächste Prognose.

Diese Szene wiederholt sich quer durch die größten Bauprogramme der Golfregion. Die Giga-Projekte Saudi-Arabiens laufen nicht als einzelne Rechtsträger. Allein NEOM operiert über ein ganzes Geflecht von Tochtergesellschaften: die NEOM Company als Master-Entwickler, ENOWA für Energie und Wasser, der NEOM Investment Fund als Gateway für Co-Investments, dazu Joint Ventures wie das rund 8,4 Milliarden Dollar schwere Unternehmen für grünen Wasserstoff mit ACWA Power und Air Products sowie ein Logistik-JV, an dem DSV 49 % hält. Die fünf zentralen Giga-Projekt-Gesellschaften (NEOM, Red Sea Global, Qiddiya, Diriyah und ROSHN) befinden sich jeweils vollständig im Eigentum des Public Investment Fund, und jede gründet darunter ihre eigenen Projektgesellschaften und Zweckgesellschaften. PPP- und Build-Operate-Transfer-Strukturen kommen hinzu: Jede Konzession ist ihre eigene Zweckgesellschaft mit eigenen Kreditgebern, eigenem Sicherheitenpaket und eigenem Berichtskalender.

Wenn also jemand von „den Finanzen des Projekts” spricht, meint er Dutzende Bilanzen, die zu einer einzigen Sicht zusammengeführt werden müssen. Genau auf diese Aggregation wird KI heute angesetzt. Und genau dort scheitert KI, wenn man einen Schritt überspringt.

Das Konsolidierungsproblem ist älter als die KI

Die Multi-Entity-Konsolidierung war schon immer schwierig, aus Gründen, die nichts mit Technologie zu tun haben. Intercompany-Darlehen zwischen einer Zweckgesellschaft und ihrer Muttergesellschaft müssen eliminiert werden, sonst zählt man Schulden doppelt. Ein zu 51 % konsolidiertes JV muss anders abgebildet werden als ein at-equity zu 30 % bilanziertes. Sukuk- und Ijara-Finanzierungen stehen anders in den Büchern als ein klassisches Tilgungsdarlehen. In Dollar denominiertes Kapital, in Riyal abgerechnete Verträge und in Euro fakturierte Anlagen müssen alle in einer einzigen Berichtswährung landen, zu einem definierten Satz an Wechselkursen, zu einem einzigen Stichtag.

Geht dabei auch nur eines schief, ist die konsolidierte Zahl falsch: nicht um einen Rundungsfehler, sondern um die Höhe eines zu eliminierenden Intercompany-Saldos, der bei einem Giga-Projekt in die Milliarden gehen kann. Finanzteams wissen das. Deshalb dauert der Monatsabschluss bei einem Programm aus 40 Entitäten Wochen, und deshalb ist die Konsolidierungsdatei die fragilste und am erbittertsten gehütete Datei im ganzen Haus.

Jetzt legt man KI darüber. Das Versprechen klingt verlockend: Ein Programmdirektor tippt „Zeig mir die Nettoverschuldung je Entität” oder „Wie hoch sind unsere gemischten Kapitalkosten über die PPP-Konzessionen” und erhält sofort eine Antwort. Das Problem ist, woraus die KI liest.

Warum es schlimmer wird, wenn man KI auf die rohen Entitäten ansetzt

Verbindet man ein Sprachmodell direkt mit 40 Summen- und Saldenlisten, passiert Folgendes. Das Modell ruft Werte aus jeder Entität ab und versucht dann, sie zu addieren, Intercompany-Posten zu eliminieren, Beteiligungsquoten anzuwenden und Währungen umzurechnen, und das alles als probabilistische Textvorhersage. Es führt keine Konsolidierung durch. Es rät Token für Token, wie eine Konsolidierung aussehen sollte.

Daraus folgen zwei Fehlertypen, und sie sind grundverschieden.

Der erste ist Retrieval-Drift. Stellen Sie dieselbe entitätsübergreifende Frage zweimal, und Sie können zwei verschiedene Summen erhalten, weil das Modell jedes Mal leicht abweichende Quellzeilen herangezogen hat. In Benchmarks, die aus echten Finanzberichten aufgebaut sind, beantworten Spitzenmodelle nur rund die Hälfte realistischer Fragen zur Wertermittlung korrekt, und das schon bei einem einzigen sauberen Dokument. Spannen Sie das über 40 Dokumente mit unterschiedlichen Kontenrahmen-Strukturen, und die Fehlerfläche vervielfacht sich.

Der zweite ist der Denkfehler, und er ist der gefährliche, weil die Eingaben stimmen. Das Modell liest die Verschuldung jeder Entität korrekt, vergisst dann aber, das Intercompany-Darlehen zu eliminieren, oder wendet einen Konsolidierungsfaktor von 51 % auf eine Position an, die zu 100 % einzubeziehen wäre, oder verrechnet ein JV falsch. Die Zahl wirkt plausibel. Sie lässt sich auf nichts zurückführen. Ein Controller kann sie nicht abzeichnen, und ein Wirtschaftsprüfer wird sie nicht akzeptieren, gerade jetzt, da die Aufsichtsbehörden der GCC erwarten, dass jede berichtete Zahl auf eine geprüfte Quelle zurückführbar ist, wobei etwa die VAE geprüfte Abschlüsse innerhalb von neun Monaten nach Periodenende verlangen.

Das beheben Sie nicht mit einem besseren Prompt. Sie beheben es, indem Sie ändern, was unter dem Modell liegt.

Erst abstimmen, dann die KI Fragen stellen lassen

Die Reihenfolge zählt mehr als alles andere in diesem Artikel. Das abgestimmte Modell muss existieren, bevor die KI es berührt.

Das bedeutet, das Hauptbuch jeder Entität (ob es in SAP, Oracle, NetSuite, einem lokalen Buchhaltungspaket oder als hochgeladene Abschlüsse vorliegt) in ein einziges Modell zu überführen, in dem die Konsolidierungslogik einmal kodiert und deterministisch angewendet wird. Intercompany-Eliminierungen sind Regeln, keine Vermutungen. Beteiligungsquoten werden je Entität hinterlegt. Die Währungsumrechnung läuft über eine definierte Kurstabelle zu einem definierten Stichtag. Jede konsolidierte Zahl lässt sich Zeile für Zeile auf die Quell-Entität zurückführen, aus der sie stammt. Das ist eine einzige abgestimmte Quelle der Wahrheit, nicht 40 Tabellenkalkulationen, die meistens zufällig übereinstimmen.

Sobald diese Schicht existiert, ändert sich die Aufgabe der KI vollständig. Sie berechnet die Konsolidierung nicht mehr. Sie ruft aus einem Modell ab, das bereits konsolidiert und bereits abgestimmt ist, und jede Berechnung, die sie benötigt (gemischte Kapitalkosten, ein Schuldendienstdeckungsgrad über mehrere Konzessionen, eine What-if-Analyse zu einem verzögerten Abruf) läuft über eine deterministische Engine, nicht über die Arithmetik des Modells selbst. Das Sprachmodell übernimmt die Sprache: die Frage verstehen, die Antwort formulieren, die Treiber erklären. Die Mathematik bleibt dort, wo Mathematik hingehört.

Der praktische Test lautet: Erhalten zwei Personen, die dieselbe Frage zum selben Stichtag stellen, dieselbe Zahl, und lässt sich diese Zahl auf die Quelle zurückführen? Auf einer abgestimmten Schicht ist das so. Auf rohen Entitäten kann es das nicht sein, so gut das Modell auch sein mag.

Was das einem Finanzteam eines Giga-Projekts bringt

Tempo, aber von der belastbaren Sorte. Ein Programmdirektor erhält eine entitätsübergreifende Antwort in Sekunden, statt dass drei Personen drei Dateien öffnen. Ein Controller kann einem Wirtschaftsprüfer exakt zeigen, aus welcher Entität jede Position stammt. Aufsichtsgremien (und Programme der Vision 2030 unterliegen einer Menge Aufsicht) sehen einen konsistenten Satz an Zahlen statt einer Abweichung, der sie nachgehen müssen.

Es legt zudem genau die Lücken offen, die Sie offengelegt haben wollen. Wenn jede Entität in ein einziges abgestimmtes Modell einfließt, hört eine noch nicht abgeschlossene Entität, ein Intercompany-Saldo, der nicht auf null aufgeht, oder eine unterjährig geänderte JV-Quote auf, sich in einer manuellen Arbeitsmappe zu verstecken. Der Abstimmungsschritt macht die Abweichung sichtbar, statt sie in die nächste Prognose durchsickern zu lassen.

Nichts davon ersetzt den Controller. Die Abstimmungsregeln, die Behandlung der Beteiligungen, die Eliminierungslogik: das sind fachliche Ermessensentscheidungen, und sie sollten von den Personen festgelegt und überprüft werden, die für den Abschluss verantwortlich sind. Was die Schicht beseitigt, ist der stille Rechenfehler und die Frage, welche Datei stimmt.

Die ehrliche Grenze: Das aufzubauen ist anspruchsvoller, als einen Chatbot an Ihr ERP zu schrauben. Konsolidierungslogik deterministisch zu kodieren bedeutet echte Arbeit, und es setzt voraus, dass die zugrundeliegenden Hauptbücher anbindbar sind. Doch genau diese Arbeit ist der Unterschied zwischen einer KI-Antwort, die ein Programmdirektor vor dem Vorstand wiederholen kann, und einer, die bei jeder Abfrage still um 4 % wegdriftet.

Wenn Sie eine Konsolidierung über Dutzende Zweckgesellschaften führen und sehen möchten, wie es tatsächlich aussieht, eine entitätsübergreifende Frage an ein einziges abgestimmtes Modell zu stellen, buchen Sie eine Demo. Für das umfassendere regulatorische Bild, in das sich das einfügt, beginnen Sie mit dem Pillar-Beitrag zum Aufbau einer vertrauenswürdigen Zahlenschicht für KI in der GCC; und zur Rückführbarkeitslatte, an der Wirtschaftsprüfer Sie heute messen, lesen Sie, ob Ihre KI jede Zahl auf die Prüfung zurückführen kann und warum sich die Rechnung zum bereinigten EBITDA unter IFRS 18 nicht improvisieren lässt.