Treiberbasierte Planung mit KI: Definieren Sie die Hebel, halten Sie die Rechnung deterministisch

Ein Vertriebsverantwortlicher gewinnt in einem Quartal 40 Neukunden statt der geplanten 30. Was bedeutet das für den Umsatz des Folgequartals, für die Personalkapazität im Onboarding, für den Cash-Bestand bis Juni? In einem treiberbasierten Modell ist die Antwort mechanisch: Anzahl mal durchschnittlicher Vertragswert mal Ramp-up-Kurve, abzüglich der angenommenen Abwanderung, eingespeist in einen Cash-Conversion-Plan. Die Zahl ergibt sich aus der Struktur. Niemand diskutiert die Rechnung neu.

Genau diese mechanische Eigenschaft verlieren die meisten Teams in dem Moment, in dem sie ein LLM an den Forecast anflanschen. Das Modell schreibt eine plausibel wirkende Prognose, und eine plausibel wirkende Prognose ist nicht dasselbe wie eine richtige.

Was treiberbasiert Ihnen tatsächlich bringt

Treiberbasierte Planung verknüpft Ihren Forecast mit den operativen Hebeln, die das Geschäft bewegen, und nicht mit einer Zeile, die den Umsatz um 3 Prozent wachsen lässt, weil er im Vorjahr um 3 Prozent gewachsen ist. Pipeline-Deckung, Conversion Rate, durchschnittliche Deal-Größe, Ramp-up-Zeit, Bruttoretention, Verzug zwischen Fakturierung und Zahlungseingang. Sie verändern einen Treiber, und jede nachgelagerte Größe wird neu berechnet.

Der Nutzen ist real und messbar. Teams mit treiberbasierten Modellen berichten von Verbesserungen der Prognosegenauigkeit im Bereich von 25 bis 30 Prozent und von rund 20 Prozent kürzeren Planungszyklen, und leistungsstarke FP&A-Funktionen nennen die treiberbasierte Modellierung als prägendes Merkmal, wobei die Mehrheit ihre Forecasts als gut oder sehr gut einstuft. Dennoch arbeiten nur etwa 17 Prozent der Organisationen mit vollständig treiberbasierten Modellen, und ein weitaus kleinerer Anteil von rund 2 Prozent kombiniert sie auf irgendeine dynamische Weise mit KI. Es gibt viel Luft nach oben, und viel Spielraum, es schlecht zu machen.

Der Grund für die schleppende Verbreitung ist nicht, dass man am Nutzen zweifelt. Es liegt daran, dass der Aufbau und die Pflege der Treiberbeziehungen mühsam sind, und sie an die Ist-Zahlen gebunden zu halten ist noch schlimmer. Genau hier wirkt KI verlockend, und genau hier braucht die Verlockung eine harte Grenze.

Die Trennlinie: Argumentation ist probabilistisch, Mathematik darf es nicht sein

Hier ist die Unterscheidung, die darüber entscheidet, ob Ihr KI-Forecast eine Sitzung des Aufsichtsrats übersteht. In einem Forecast gibt es zwei Arten von Arbeit.

Die erste ist Urteilsvermögen und Sprache: die Ist-Zahlen des Vormonats lesen, bemerken, dass die Win-Rate in einem Segment nachgelassen hat, die Annahme formulieren, dass sich der Ramp-up verlangsamen wird, darauf hinweisen, dass die DSO gestiegen ist. Darin sind LLMs wirklich gut. Muster in unstrukturierten Eingaben zu erkennen und in einem klaren Satz zu beschreiben, ist genau ihre Stärke.

Die zweite ist die Berechnung: die Treiberformel anwenden, sie über zwölf Perioden fortschreiben, sie in ein integriertes Drei-Statement-Modell einrollen, damit die Cash-Zeile mit der GuV konsistent ist. Hier scheitern LLMs. Aktuelle Finanz-Benchmarks beziffern selbst die stärksten Modelle bei Tabellenkalkulationsaufgaben auf rund 82 Prozent Genauigkeit, also etwa einen Fehler pro sechs Fragen, und Studien führen einen großen Anteil der Fehler, in der Größenordnung von 40 Prozent, ausdrücklich auf Rechen- und Schlussfolgerungsfehler zurück: Verwechslung von Einheiten, Patzer zwischen Prozent- und Absolutwerten, Rundungsdrift, Vorzeichenfehler bei Cashflows. Eine Fehlerquote von 18 Prozent ist nicht akzeptabel, wenn jede Zahl in die nächste Periode hineinwirkt und in einen Cash-Forecast einfließt, auf den der Aufsichtsrat reagieren wird.

Die Regel ist daher einfach. Lassen Sie die KI die Hebel definieren und justieren. Lassen Sie sie diese nicht berechnen.

Wenn eine Treiberformel bei jedem Durchlauf von einem Sprachmodell neu hergeleitet wird, verlieren Sie zudem die Eigenschaft, die ein Forecast am dringendsten braucht: Er ist nicht mehr reproduzierbar. Führen Sie denselben Prompt zweimal aus und Sie erhalten zwei leicht unterschiedliche Umsatzzeilen. Eine deterministische Engine gibt Ihnen die gegenteilige Zusicherung. Gleiche Eingaben, gleiche Treiber, gleiches Ergebnis, jedes Mal. So verhält sich eine Formel, und ein Forecast sollte sich wie eine Formel verhalten.

Wie Rexfin die Grenze zieht

Diese Trennung ist der ganze Sinn einer Schicht für die Finanzmodellierung, die unter der KI liegt und nicht in ihr.

Rexfin verbindet sich mit Ihren Buchhaltungs- und Planungssystemen, QuickBooks, Xero, NetSuite, Sage, dem Data Warehouse oder hochgeladenen Abschlüssen, und stimmt sie zu einem einzigen Finanzmodell ab, das mit dem Hauptbuch übereinstimmt. In diesem abgestimmten Modell leben die Treiber. Conversion Rate, ACV, Ramp-up, Retention, Fakturierungsverzug: jeder wird einmal definiert, als explizite Beziehung, gegen Zahlen, die bereits mit den Büchern übereinstimmen.

Wenn die KI ins Spiel kommt, arbeitet sie mit dieser Schicht statt um sie herum. Sie nimmt die aktuellen Ist-Zahlen auf und aktualisiert die Treibereingaben. Sie kann vorschlagen, dass eine Ramp-up-Annahme angesichts von drei Monaten Einstellungsdaten überholt wirkt. Sie macht das Segment sichtbar, in dem die Win-Rate abrutscht, bevor sie den Forecast beschädigt. Was sie nicht tut, ist die Multiplikation. Die Treiberlogik läuft über die deterministische Engine von Rexfin, denselben Code-Pfad jedes Mal, sodass ein 12-Monats-Umsatzaufbau berechnet und nicht erzählt wird.

Das bedeutet, dass sich jede Zahl im Forecast bis zur Quelle zurückverfolgen lässt. Ein Controller kann von der prognostizierten Umsatzzeile für Q3 zum Treiber klicken, der sie erzeugt hat, zu den abgestimmten Ist-Zahlen, die den Treiber gespeist haben, bis hinunter zur zugrunde liegenden Buchung im Hauptbuch. Der Beitrag der KI, das Urteilsvermögen und die Sprache, ist nachvollziehbar und überschreibbar. Die Rechnung ist belegbar.

Wie das in der Praxis aussieht

Betrachten Sie die KI als den Analysten, der das Modell aktuell hält und meldet, was sich verändert hat, und betrachten Sie die Engine als das Modell selbst. Der Analyst kann brillant und gelegentlich falsch liegen; das Modell muss durch seine Konstruktion richtig sein.

So aufgesetzt verstärken sich treiberbasierte Planung und KI gegenseitig, statt sich zu bekämpfen. Die KI nimmt die Mühsal weg, die die Verbreitung bei 17 Prozent gehalten hat, indem sie bei jedem Abschluss die Ist-Zahlen aktualisiert und Annahmen erneut markiert. Die deterministische Schicht hält den Forecast belastbar, denn eine Zahl, die sich jedes Mal auf dieselbe Weise neu berechnet, ist eine Zahl, die ein CFO unterschreiben kann. Dahinter steht dieselbe Disziplin wie hinter kontinuierlichem, stets aktuellem Forecasting und hinter What-if-Szenarien, die im Tempo einer Aufsichtsratsfrage beantwortet werden: die Hebel bewegen sich, die Rechnung hält stand. Sie erklärt auch, wo KI sich heute ihren Platz in FP&A wirklich verdient, nämlich in der Erzählung, nicht in den Zahlen. Das vollständige Bild finden Sie im Themenschwerpunkt KI-Automatisierung in FP&A.

Die Kernaussage ist eng gefasst und es lohnt sich, sie festzuhalten. KI gehört in Ihren Forecast, aber nicht in die Rechnung. Lassen Sie sie die Hebel definieren, die Ist-Zahlen beobachten und die Geschichte schreiben. Legen Sie die Mathematik auf eine deterministische, abgestimmte Schicht, die zweimal dasselbe Ergebnis liefert. Das ist die Version, die Sie einem Aufsichtsrat vorlegen können, ohne die Daumen zu drücken.

Sehen Sie, wie Rexfin die Treiberlogik deterministisch und nachvollziehbar hält: Demo buchen.