Warum Ihr KI-Forecast nur so gut ist wie Ihre Abstimmung

Erstaunlich viele Finanzteams haben festgestellt, dass KI beim Forecasting hilft, und dann still und leise gemerkt, dass sie beim eigenen Forecast eben nicht hilft. Das Modell ist in Ordnung. Die Demo des Anbieters war echt. Das Problem liegt weiter oben, in den Daten, auf denen der Forecast aufsetzt, und keine noch so hohe Modellqualität kann ein Fundament reparieren, das sich nicht abstimmen lässt.

Die Befragungsergebnisse sind hier eindeutig. Über die FP&A-Benchmarks 2025 hinweg stehen Datenqualität und Datenverfügbarkeit ganz oben auf der Liste der Hürden bei der KI-Einführung, genannt von mehr als der Hälfte der Befragten, dicht gefolgt von der Schwierigkeit, Altsysteme zu integrieren oder abzulösen. Dieselben Studien zeigen, dass der Nutzen real ist: Rund 42 % der Organisationen bewerten ihre Forecasts als gut oder sehr gut, und bei Teams, die KI oder ML einsetzen, steigt dieser Wert auf etwa 65 %. Beides ist also zugleich wahr. KI verbessert die Forecast-Genauigkeit. Und der größte Einzelfaktor, der die meisten Teams von dieser Verbesserung trennt, ist nicht der Algorithmus, sondern der Zustand ihrer Zahlen.

Das ist der unangenehme Teil für alle, die kurz davorstehen, einen zweiten KI-Vertrag zu unterschreiben, um die enttäuschenden Ergebnisse des ersten zu beheben. Ein Forecast ist eine Funktion seiner Eingangsdaten. Wenn diese Eingangsdaten drei Exporte aus drei Systemen sind, die sich uneinig sind, wie hoch der Umsatz des letzten Quartals tatsächlich war, dann erbt der Forecast diese Uneinigkeit und kleidet sie in ein selbstbewusstes Diagramm.

Garbage in, selbstbewusster Garbage out

Das klassische Garbage-in-Garbage-out sah wenigstens noch wie Garbage aus. Eine fehlerhafte Tabelle lieferte eine Zahl, die sichtbar falsch war, und jemand bemerkte es. KI hat die Fehlerart verändert. Füttern Sie ein LLM mit widersprüchlichen Quelldaten, dann stockt es nicht und markiert auch nicht den Widerspruch. Es produziert eine saubere, flüssige, plausible Antwort. Das Ergebnis wirkt vertrauenswürdiger, als es die Eingangsdaten verdienen, und genau darin liegt die Gefahr.

Stellen Sie sich den typischen Monatsabschluss im Mittelstand vor. Die Bookings liegen im CRM. Der realisierte Umsatz steht im Hauptbuch. Die Fakturierung läuft über eine separate Billing-Plattform. Die Zahlungseingänge erscheinen im Bank-Feed. Jedes System ist für sich genommen in sich stimmig, und an den Rändern stimmt keines mit dem anderen überein, wegen Periodenabgrenzung, wegen einer Gutschrift, die in der falschen Periode gebucht wurde, weil jemand im Oktober ein Konto umgegliedert und es niemandem im Datenteam gesagt hat. Ein menschlicher Analyst, der einen Forecast erstellt, verbringt einen erheblichen Teil seiner Woche damit, diese Differenzen stillschweigend zu schlichten. Er weiß, welcher Zahl er für welchen Zweck vertrauen kann. Dieses Schlichten ist institutionelles Wissen, und es wird so gut wie nie aufgeschrieben.

Geben Sie nun dieselben vier Datenquellen an eine KI und bitten Sie um einen Umsatz-Forecast. Sie hat keine Möglichkeit zu wissen, dass die Bookings-Zahl im CRM eine Verlängerung doppelt zählt, oder dass die Hauptbuchzahl diejenige ist, an der Sie der Wirtschaftsprüfer messen wird. Sie wählt irgendetwas aus, schreibt es fort, und der Fehler potenziert sich über jede Periode, die sie in die Zukunft projiziert.

Abstimmung ist das Fundament, keine Pflichtübung

Abstimmung wird in der Regel als die langweilige monatliche Aufgabe behandelt, die nach der eigentlichen Arbeit erledigt wird. Für das KI-Forecasting ist sie die eigentliche Arbeit. Abstimmung bedeutet, jene vier Datenquellen in einen Satz Zahlen aufzulösen, der sich auf das Hauptbuch zurückführen lässt, in dem Bookings, Fakturierung, realisierter Umsatz und Zahlungseingänge jeweils eine definierte Beziehung zueinander haben und die Differenzen erklärt statt ignoriert werden.

Tun Sie das einmal richtig, erhalten Sie ein einziges abgestimmtes Modell: einen Ort, an dem Umsatz eine bestimmte Bedeutung hat, rückverfolgbar bis zur Quelle, übereinstimmend mit den geprüften Abschlüssen. Auf diesem Modell sollte ein KI-Forecast aufsetzen. Nicht auf den Rohexporten. Nicht auf einem Snapshot, den jemand letzten Dienstag in eine Tabelle eingefügt hat. Auf der abgestimmten Ebene.

Die Genauigkeitsgrenze ist hier struktureller Natur. Ein Forecast kann nicht zuverlässiger sein als die Basisperiode, aus der er fortgeschrieben wird. Wenn Ihr Ausgangspunkt aufgrund einer nicht abgestimmten Periodendifferenz um 4 % danebenliegt, trägt jedes projizierte Quartal mindestens diese 4 %, bevor das Modell auch nur eine einzige eigene Annahme trifft. Sie können die beste Forecasting-KI am Markt kaufen und haben deren Genauigkeit bereits mit den Daten gedeckelt, die Sie ihr geliefert haben.

Das ist auch der Grund, warum „verbinden Sie die KI einfach mit unseren Systemen” so oft hinter den Erwartungen zurückbleibt. Eine Verbindung verschafft dem Modell Zugriff auf die Daten. Sie stimmt die Daten nicht ab. Live-Zahlen über ein Protokoll aus dem ERP zu ziehen, ist beim Abruf ein echter Fortschritt, doch ein Forecast braucht trotzdem eine abgestimmte Basis, aus der er fortgeschrieben wird, und rohe Hauptbuchfelder sind das nicht. Die Abstimmung muss zwischen der Verbindung und der Rechnung stattfinden. Wir führen diesen Punkt ausführlicher aus in MCP für die Finanzfunktion reicht nicht.

Wie das in der Praxis aussieht

Die Lösung ist eine Frage der Reihenfolge, und sie ist weniger glamourös als der Kauf eines Tools. Erstens: Legen Sie fest, was jede Kennzahl bedeutet und wo ihre maßgebliche Quelle liegt. Zweitens: Stimmen Sie die Datenquellen zu einem Modell ab, das sich auf das Hauptbuch zurückführen lässt, mit dokumentierten statt verschütteten Differenzen. Drittens: Richten Sie die Forecasting-Ebene auf dieses abgestimmte Modell aus. Erst dann schlägt sich KI-Genauigkeit in einer Forecast-Genauigkeit nieder, die Sie verteidigen können.

Ein durchgerechnetes Beispiel. Angenommen, der realisierte Umsatz im Hauptbuch betrug im letzten Quartal 12,0 von irgendetwas, das CRM zeigt aber 12,5 an abgeschlossenen Bookings und die Fakturierung weist 11,7 aus. Eine KI, der man alle drei vorlegt, muss raten, und was immer sie wählt, sie liegt gegenüber zweien davon falsch. Stimmen Sie zuerst ab, dann stellen Sie fest, dass der realisierte Umsatz 12,0 beträgt, die Lücke von 0,5 zu den Bookings noch nicht realisierter, abgegrenzter Umsatz ist und die Lücke von 0,3 zur Fakturierung eine Periodendifferenz, die sich im nächsten Monat ausgleicht. Jetzt schreibt der Forecast aus 12,0 fort, wobei der abgegrenzte Bestand explizit modelliert ist. Die Zahl bedeutet etwas, und Sie können dem Aufsichtsgremium Ihren Rechenweg offenlegen.

Es gibt eine reale Grenze, die einzuräumen ist. Abstimmung macht Ihre Annahmen nicht richtig. Wenn Sie 20 % Wachstum unterstellen und der Markt 5 % liefert, wird ein perfekt abgestimmtes Modell perfekt falsch sein. Was die Abstimmung beseitigt, ist der andere Fehler, der vermeidbare, bei dem der Forecast nicht deshalb falsch ist, weil die Zukunft Sie überrascht hat, sondern weil über die Vergangenheit nie Einigkeit bestand. Das ist der Fehler, den Sie tatsächlich beheben können, und es ist derjenige, den die meisten Teams nicht behoben haben.

Ist die Basis erst einmal abgestimmt, wird auch der Rest des FP&A-Stacks sicherer. Die Treiberrechnung bleibt deterministisch, statt bei jedem Lauf neu hergeleitet zu werden, was wir in treiberbasiertem Forecasting behandeln. Und das kontinuierliche Re-Forecasting läuft nicht mehr auseinander, weil jede Aktualisierung auf dasselbe Fundament zurückgeht statt auf das, was die Quellsysteme an jenem Morgen zufällig anzeigten, das Thema von kontinuierlichem Forecasting ohne Kontrollverlust. All das fügt sich in die übergeordnete Argumentation der Säule KI-gestütztes FP&A ein.

Das Fazit

Bevor Sie die nächste Forecasting-KI evaluieren, stellen Sie eine unverblümtere Frage: Lässt sich unsere Basisperiode auf das Hauptbuch zurückführen, an einem Ort, mit erklärten Differenzen? Lautet die Antwort nein, ist nicht das Forecast-Tool Ihr Engpass, und ein besseres wird Sie nicht retten. Reparieren Sie das Fundament, dann fängt die KI, die Sie bereits haben, an, sich zu rentieren.

Genau diese Ebene baut Rexfin, ein abgestimmtes Modell, auf dem Ihre Forecasting-KI stehen kann. Wenn Sie sehen möchten, wie ein Forecast aussieht, bei dem sich jede Zahl bis zur Quelle zurückverfolgen lässt, buchen Sie eine Demo.