Szenario- und What-if-Modellierung im Tempo einer Aufsichtsratsfrage

Ein Aufsichtsratsmitglied lehnt sich nach vorn und stellt die Frage, die jeder CFO geprobt und gefürchtet hat: “Wenn unser größter Kunde abspringt und die Zinsen bleiben, wo sie sind, wo landet der Cash-Bestand in Q3?” Im Raum wird es still. Sie haben zwei Optionen. Zwei Tage warten, bis das FP&A-Team das Modell neu aufgebaut hat, oder jetzt antworten. Genau der Sog hin zum “Jetzt antworten” ist es, der KI attraktiv erscheinen lässt, und genau hier kann sie Ihre Glaubwürdigkeit mit einem einzigen Satz ruinieren.

Denn hier ist der Fehlermodus, den niemand in der Demo zeigt. Sie stellen einem KI-Assistenten die Abwanderungsfrage, er liefert eine selbstbewusste Cash-Zahl auf den Euro genau, und diese Zahl ist geraten. Keine Berechnung. Eine statistisch plausible Zahl in Form einer Antwort. Wenn ein Aufsichtsratsmitglied sie gegen etwas prüft, das es bereits kennt, haben Sie gerade den wichtigsten Personen im Raum beigebracht, dass Ihre Zahlen Theater sind.

Szenarien sind die Arbeit, und der Großteil dieser Arbeit ist Sanitärtechnik

Szenarioplanung ist keine Nebentätigkeit im Finanzbereich. Sie ist die Tätigkeit. Umfragen zeigen, dass FP&A-Teams einen großen Teil ihrer Zeit – oft etwa ein Drittel bis nahezu die Hälfte der Woche – damit verbringen, Daten zu sammeln und zu bereinigen, statt sie zu analysieren – das ist die Steuer, die Sie jedes Mal zahlen, wenn jemand ein frisches Szenario wünscht. Und der Bedarf wächst nur: Die meisten Finanzteams forecasten inzwischen monatlich, ein nennenswerter Teil wöchentlich, und die Organisationen, die Szenarioplanung als strukturierte Disziplin betreiben, schneiden messbar besser ab als jene, die improvisieren.

Die Nachfrage ist also real und die Nachfrage ist konstant. Aufsichtsräte wollen reichhaltigere Szenarien, mehr davon, schneller. Der Reflex, KI auf den Engpass anzusetzen, ist richtig. Der Fehler besteht darin, die KI ausgerechnet den Teil erledigen zu lassen, in dem sie am schlechtesten ist.

Wo KI im Stillen versagt: Sie schätzt den Downside

Ein LLM ist eine Vorhersagemaschine. Bitten Sie es um ein Downside-Szenario, schreibt es Ihnen eines, das sich wunderbar liest und sofort vorliegt. Das Problem liegt darin, wie es dahin gelangt ist. Es hat nicht Ihre abgestimmte Umsatzbasis genommen, den abgewanderten Kunden herausgerechnet, den Zinstreiber konstant gehalten und die Veränderung durch Ihre Kosten- und Cash-Logik propagiert. Es hat ein Muster davon abgeglichen, wie ein Downside-Szenario üblicherweise aussieht, und eine Zahl in dieser Größenordnung produziert.

Manchmal stimmt die Größenordnung annähernd. Manchmal liegt sie um eine Spanne daneben, die entscheidend ist. Welches von beiden zutrifft, können Sie dem Output nicht ansehen, denn die selbstbewusste Version und die korrekte Version sehen identisch aus. Das ist die Falle. Der ganze Sinn eines Downside-Szenarios besteht darin, dass es unter Druck verteidigbar sein muss – und eine Zahl, die Sie nicht nachvollziehen können, ist das genaue Gegenteil von verteidigbar.

Es ist dieselbe Lücke im logischen Schließen, die sich in der gesamten KI-Arbeit im Finanzbereich zeigt. Das Modell ist wirklich gut in Sprache, Struktur und Orchestrierung. Es ist unzuverlässig in der Arithmetik, sobald die Zahlen nicht mehr trivial sind. Beides als dieselbe Fähigkeit zu behandeln, ist der Grundfehler.

Die Aufteilung, die Szenarien vertrauenswürdig macht

Die Lösung ist kein besserer Prompt und kein klügeres Modell. Sie ist eine Architektur, die dem LLM die Mathematik vollständig entzieht.

Denken Sie an zwei klar getrennte Aufgaben. Die erste besteht darin, die Frage zu verstehen und zu entscheiden, was zu verändern ist: welcher Treiber zu flexen ist, um wie viel, über welche Perioden. Das ist logisches Schließen, und darin ist KI gut. Die zweite besteht darin, das Ergebnis zu berechnen: die Veränderung auf ein abgestimmtes Finanzmodell anzuwenden und jede abhängige Position neu zu rechnen. Das ist Ausführung, und sie muss deterministisch sein.

Wenn der Aufsichtsrat also die Abwanderungsfrage stellt, erfindet die KI keine Cash-Zahl. Sie übersetzt die Frage in eine Szenariodefinition. Entferne den Umsatzstrom dieses Kunden. Halte die Preise konstant. Rechne bis Q3 neu. Anschließend übergibt sie diese Definition an eine Rechen-Engine, die gegen ein einziges abgestimmtes Modell läuft, das an das Hauptbuch gebunden ist, und die Engine liefert die Zahl. Die KI erläutert das Ergebnis. Sie erzeugt die Zahl niemals selbst.

Der Unterschied in der Praxis: Jedes Szenario wird zu einer deterministischen Neuberechnung statt zu einer Schätzung. Gleiche Eingaben, gleiche Antwort, jedes Mal. Und weil die Berechnung gegen Werte lief, die sich auf die Quelle abstimmen lassen, können Sie Ihren Rechenweg Position für Position offenlegen, falls jemand fragt. Genau das verwandelt “die KI sagte, der Cash-Bestand fällt auf X” in “hier ist genau, wie der Cash-Bestand auf X fällt”.

Was sich ändert, wenn das Fundament trägt

Sobald die Mathematik in der Engine lebt und nicht im Modell, hört das Tempo, das Sie wollten, auf, gefährlich zu sein.

Sie können Folgefragen in Echtzeit stellen, direkt im Raum. Lassen Sie den Kunden wegfallen, unterstellen Sie aber eine Preiserhöhung von 6 % auf die verbleibende Basis. Fügen Sie einen Einstellungsstopp ab März hinzu. Legen Sie eine Zinssenkung darüber. Jede Variante ist ein erneuter Durchlauf derselben deterministischen Logik, keine frische Halluzination – sie bleiben also untereinander und mit dem Basisplan in sich konsistent. Ein Aufsichtsratsmitglied kann drei Annahmen stapeln, und die Zahlen passen weiterhin zusammen, weil sie alle auf dieselbe Weise gegen dasselbe Fundament gerechnet werden.

Genau deshalb ist auch das abgestimmte Fundament unter dem kontinuierlichen Forecasting hier so wichtig. Szenarien sind nur so gut wie die Basis, von der aus sie flexen. Wenn Ihre Ist-Werte abdriften oder Ihre Treiberbeziehungen bei jedem Durchlauf inkonsistent neu hergeleitet werden, erbt jedes Szenario dieses Rauschen. Verankern Sie die Basis, machen Sie die Treiber deterministisch, und die What-if-Analyse wird zum kontrollierten Experiment statt zur Schreibübung.

Die ehrlichen Grenzen

Das ist keine Zauberei, und ein paar Dinge sind es wert, klar gesagt zu werden.

Die Engine ist nur so korrekt wie die Modelllogik, die Sie in sie hineinbauen. Deterministisch heißt nicht richtig; es heißt reproduzierbar und prüfbar. Eine falsche Treiberbeziehung liefert zuverlässig dieselbe falsche Antwort. Der Gewinn besteht darin, dass Sie sie finden und korrigieren können – was bei einer Zahl, die die KI aus dem Nichts gezogen hat, nicht möglich ist.

Es steckt zudem echtes Urteilsvermögen in der Auswahl, welche Szenarien überhaupt gerechnet werden. KI kann eine sinnvolle Auswahl vorschlagen und Kombinationen markieren, die Sie übersehen könnten, aber zu entscheiden, welcher Downside plausibel genug ist, um sich darauf vorzubereiten, bleibt eine menschliche Entscheidung. Die Architektur beseitigt das arithmetische Risiko. Sie beseitigt nicht die Notwendigkeit eines CFO, der das Geschäft kennt.

Und nein, das versetzt Sie nicht in die Lage, vom ersten Tag an jede Aufsichtsratsfrage sofort zu beantworten. Es erfordert ein Modell, das sich tatsächlich auf Ihr Hauptbuch abstimmt, und eine Treiberlogik, die jemand durchdacht hat. Das ist echte Arbeit. Aber es ist Arbeit, die Sie einmal leisten und bei jeder Frage wiederverwenden, statt Arbeit, die Sie jedes Mal von Grund auf neu machen, wenn jemand “was, wenn” sagt.

Das Fazit

Der Aufsichtsrat will keine schnelle Zahl. Er will eine Zahl, auf die er sich stützen kann, während er eine Entscheidung im Millionenbereich trifft. Tempo ohne Nachvollziehbarkeit ist schlimmer als langsam, denn es verwandelt eine Verzögerung in eine Haftung. Die Teams, die das Szenariogespräch 2026 gewinnen, werden jene sein, die KI die Sprache und Orchestrierung übernehmen lassen, während eine deterministische Engine jede einzelne Ziffer verantwortet – gegen ein Modell, das sich auf die Quelle zurückführen lässt.

Wenn Sie sehen möchten, wie eine What-if-Frage live beantwortet und anschließend Position für Position bis zum Hauptbuch nachvollzogen wird, buchen Sie eine Demo. Diese Rückverfolgbarkeit ist der ganze Unterschied zwischen einer Schätzung und einer Antwort.

Quellen: Cube: FP&A 2026 Guide, Resourceful Finance Pro: Structured Scenario Planning, FutureCFO: How finance teams use scenario planning