Automatisierter Abweichungskommentar: Wo KI in der modernen FP&A heute wirklich überzeugt

Der nachhaltige FP&A-KI-Gewinn für 2026 liegt in der Trennung von Narrativ und Zahlen: Die KI verfasst den Kommentar, während eine deterministische Engine jede genannte Kennzahl liefert.

Jeden Monat öffnet ein Analyst die Ist-Zahlen, sucht die Posten heraus, die sich bewegt haben, und schreibt einen Absatz, der erklärt, warum. Die Bruttomarge ist um 180 Basispunkte gefallen. Die Buchungen in EMEA liegen 12 % unter Plan. Die Personalkosten sind heißgelaufen, weil zwei Nachbesetzungen früher als geplant abgeschlossen wurden. Anschließend kopiert er das Ganze in die Vorstandspräsentation – und im nächsten Monat von vorne. Es ist die repetitivste Textarbeit im Finanzbereich, und genau danach greifen Teams zuerst, wenn sie KI einsetzen wollen.

Dieser Instinkt ist richtig. Der Abweichungskommentar ist eine der wenigen FP&A-Aufgaben, in denen heutige KI wirklich gut ist – nicht nur demo-gut. Doch die Art, wie die meisten Teams das aufsetzen, steht genau auf dem Kopf, und der Fehlerfall trifft ausgerechnet die eine Zahl, bei der sich niemand einen Fehler leisten kann.

Die Trennung, die den Kommentar belastbar macht

Ein großes Sprachmodell ist ein Textvorhersager. Es erzeugt die statistisch wahrscheinlichste Wortfolge – wunderbar für Prosa und gefährlich für Arithmetik. Geben Sie einem Modell eine Budgetdatei und bitten es, „die Abweichung zu erklären”, schreibt es bereitwillig einen flüssigen Absatz, in dem der Umsatz um 9 % verfehlt wurde, obwohl die tatsächliche Abweichung bei 6 % lag. Forschungsteams, die finanzspezifische Benchmarks aufbauen, haben das dokumentiert: Modelle verfälschen Zahlen selbst dann, wenn die korrekten Werte direkt im übergebenen Quelldokument stehen. Das FAITH-Framework wurde eigens entwickelt, um zu messen, wie oft Modelle gegenüber Tabellen halluzinieren, die sie eigentlich vor sich haben.

Der nachhaltige Gewinn lautet also nicht „lasst die KI den Abweichungskommentar machen”. Er ist enger gefasst – und genau diese Enge ist der Punkt. Jeder Kommentar hat zwei Ebenen, und sie haben völlig unterschiedliche Risikoprofile.

Die Zahlenebene umfasst jede Zahl im Satz: die 180 bps, die 12 %, die Eurobeträge, die Veränderungen von Periode zu Periode. Diese müssen abgerufen und berechnet, niemals generiert werden. Eine Zahl ist entweder richtig oder falsch, und eine falsche in der Vorstandspräsentation kostet Sie Glaubwürdigkeit, die Sie nicht zurückbekommen.

Die Narrativebene ist das Bindegewebe: „im Wesentlichen getrieben durch”, „teilweise kompensiert durch”, „im Einklang mit dem Trend seit Q2”. Das ist Sprache – und Sprache ist genau das, wofür Modelle gemacht sind.

Halten Sie diese beiden Ebenen getrennt, erhalten Sie das Beste aus beiden Welten. Lassen Sie sie verschwimmen, bekommen Sie flüssig, selbstbewusst und falsch.

Wie der Mechanismus tatsächlich funktioniert

Hier kommt der Teil, den die meisten „KI für FP&A”-Pitches überspringen. Damit die Trennung trägt, dürfen die Zahlen nicht als loser Text aus dem Kontextfenster des Modells stammen, den es paraphrasieren könnte. Sie müssen aus einer Berechnung kommen, die das Modell nicht kontrolliert.

Bei Rexfin bedeutet das: Die KI rechnet nie. Wir verbinden Ihre Buchhaltungs- und Datenplattformen – QuickBooks, Xero, NetSuite, Sage, SAP, Oracle, ein Data Warehouse oder hochgeladene Abschlüsse – und bauen ein einziges, abgestimmtes Finanzmodell, das zum Hauptbuch durchläuft. Wenn ein Kommentar erzeugt wird, schreibt das Modell die Prosa und ruft für jede Zahl die deterministische Engine auf. Die Engine berechnet die Abweichung von Ist zu Budget, den Abweichungsprozentsatz, den Beitrag je Segment. Diese Werte werden in den Satz eingesetzt. Das Modell entscheidet über die Geschichte; die Engine entscheidet über die Zahlen.

Der Unterschied zeigt sich, wenn jemand im Vorstand nachhakt. Eine so erzeugte Zahl trägt ihre Herkunft in sich. „Marge 180 bps niedriger” lässt sich bis zu den GL-Konten, den Perioden und der exakten Berechnung dahinter zurückverfolgen. Sie können vom Satz bis zur Quelle durchklicken. Ein Kommentar, der das nicht kann, ist ein Risiko im Gewand eines Features – egal, wie sauber er sich liest.

Dieselbe Disziplin wenden wir auch bei der treiberbasierten Planung an: Die KI hilft Ihnen, die Stellhebel zu rahmen, aber die Projektion läuft über Mathematik, die Sie prüfen können.

Anomalieerkennung ist der zweite echte Gewinn

Es gibt einen zweiten Anwendungsfall, der dem Gegenwind eines skeptischen CFO standhält: zutage fördern, was sich verändert hat, bevor jemand danach fragt. Der Großteil der Abweichungsarbeit ist reaktiv – Sie erklären die Bewegung, nachdem sie bereits vor dem Vorstand liegt. Die Erkennung dreht das um. Führen Sie statistische Vergleiche über Perioden hinweg durch, kennzeichnen Sie die Posten, die das Muster durchbrechen, und leiten Sie sie an die Person weiter, der dieser Teil der GuV gehört – solange noch Zeit zum Handeln bleibt.

Auch das ist Mathematik, nicht Sprache. Sie berechnen, wie weit eine Zahl von ihrer eigenen Historie entfernt liegt, statt ein Modell zu bitten, etwas zu „bemerken”. Die Aufgabe des Modells kommt danach: Sobald die Engine einen Ausreißer markiert hat, kann es die Erklärung im ersten Entwurf verfassen und die zugehörigen Zahlen heranziehen. Die Erkennung findet das Signal deterministisch; die Narrativebene macht es lesbar. Dieselbe Trennung, nur früher im Zyklus angewandt.

Warum das wichtiger ist, als es klingt

Das ehrliche Argument für eng gefasste Gewinne lautet: Die breiten sind noch nicht da, und die Zeitrechnung ist gnadenlos. Die FP&A-Trends-Umfrage 2025 ergab, dass Teams noch immer fast die Hälfte ihrer Stunden für Datenerhebung und -validierung aufwenden und nur etwa ein Drittel für die eigentliche Erkenntnis übrig bleibt. Andere Benchmarks aus 2025 beziffern den Anteil der Datenaufbereitung auf über 50 %. Kommentar und Erkennung liegen genau auf dieser Bruchlinie. Sie sind hochfrequent, formelhaft – und sie verschlingen exakt die Stunden, die in Urteilsvermögen fließen sollten.

Sie gut zu automatisieren ersetzt den Analysten nicht. Es verlagert ihn vom Abtippen von Abweichungen hin zur Entscheidung, welche davon zählen und was dagegen zu tun ist. Das ist der Tausch, der sich lohnt – und er funktioniert nur, wenn Sie dem Output genug vertrauen, um ihn auszuliefern, ohne jede Zahl von Hand nachzuprüfen.

Die Grenze, klar benannt

Seien Sie sich darüber im Klaren, was das nicht leistet. KI sagt Ihnen nicht warum EMEA verfehlt hat – nicht in einem kausalen Sinn, für den sie geradestehen könnte. Sie sieht ein Muster und schlägt die wahrscheinlichste Geschichte vor, und diese Geschichte kann falsch sein, selbst wenn jede Zahl stimmt. Eine korrekte Zahl mit einer plausiblen, aber falschen Erklärung ist trotzdem ein Fehler – nur ein gefährlicherer, weil die richtigen Zahlen der falschen Argumentation eine unverdiente Autorität verleihen. Der kausale Anspruch bleibt beim Analysten. Was die Maschine besitzt, sind die Zahlen und der erste Entwurf.

Diese Grenze ist das gesamte Designprinzip. Die Branchenempfehlungen landen immer wieder bei derselben Regel: Lassen Sie das Modell niemals zur Quelle der Wahrheit für Finanzabschlüsse oder Zahlen werden – nutzen Sie Retrieval und deterministische Berechnung für die Fakten und überlassen Sie dem Modell die Sprache. Sauber gezogen bedeutet diese Linie, dass Ihr Kommentar niemals eine Zahl nennen kann, die nicht aus dem Hauptbuch stammt. Unscharf gezogen bedeutet sie, dass Sie nur einen flüssigen Absatz von einer halluzinierten Zahl vor Ihrem Vorstand entfernt sind.

Wenn Sie Kommentare sehen möchten, bei denen sich jede Zahl bis zu ihrer Quelle zurückklicken lässt, buchen Sie eine Demo und bringen Sie einen echten Monatsabschluss mit. Wir erzeugen das Abweichungsnarrativ live und lassen Sie jede Zahl bis ins Hauptbuch zurückverfolgen.

Die Quintessenz ist einfach. Der KI-Gewinn 2026 in der FP&A ist kein klügerer Erzähler. Es ist eine strikte Arbeitsteilung: Das Modell schreibt, die Engine zählt – und die beiden tauschen niemals die Rollen.