Können Sie KI Ihre Finanzzahlen anvertrauen? Ein CFO-Leitfaden zum Halluzinationsrisiko 2026

Bitten Sie ein führendes KI-Modell, ein Dokument zusammenzufassen, und es liegt in einem kleinen, aber realen Anteil der Fälle daneben. Bitten Sie es, eine Zahlenspalte zu summieren, und es reicht Ihnen eine selbstbewusst vorgetragene Zahl, die es nie tatsächlich berechnet hat. Für einen CFO ist es das zweite Verhalten, das Karrieren beendet, denn der Fehler ist unsichtbar, sprachlich einwandfrei und auf der Folie mit Ihrem Namen verknüpft.

Die Frage ist also nicht, ob KI im Finanzbereich nützlich ist. Das ist sie offensichtlich. Die Frage ist, ob Sie den Zahlen, die sie produziert, weit genug trauen können, um sie einem Aufsichtsrat, einem Kreditgeber oder einem Due-Diligence-Team vorzulegen. Die Antwort hängt vollständig davon ab, wie das Werkzeug gebaut ist – und die meisten sind nicht für diesen Zweck gebaut.

Wie häufig KI tatsächlich Zahlen erfindet

Beginnen wir mit den Daten, denn der Hype läuft in beide Richtungen.

Bei den stärksten Allzweckmodellen sind die Halluzinationsraten bei fundierten, faktischen Aufgaben auf grob den niedrigen einstelligen Bereich gesunken – etwa 2 % bei den besten Modellen in aktuellen Benchmarks. Das ist wirklich gut. Aber das Feld als Ganzes ist deutlich unübersichtlicher: Über die gesamte Bandbreite der eingesetzten Modelle hinweg, einschließlich älterer und günstigerer, klettern die gemessenen Halluzinationsraten in den zweistelligen Bereich – in manchen Evaluierungen deutlich über 10 %.

Hier ist der Befund, der jeden CFO innehalten lassen sollte, bevor er zum neuesten Modell greift. Reasoning-optimierte Systeme – jene, die als intelligenter verkauft werden – haben in mehreren Tests bei Faktfragen mehr halluziniert, nicht weniger. Die zusätzlichen Reasoning-Schritte schaffen mehr Gelegenheiten, von der Quelle abzudriften. „Leistungsfähiger” bedeutet nicht „wahrheitsgetreuer”, und im Finanzbereich ist genau diese Unterscheidung das Entscheidende.

Rechnen Sie nun die Größe nach, auf die es ankommt. Selbst bei einer Fehlerquote von 2 % birgt ein Board-Deck mit vierzig Zahlen eine erhebliche Wahrscheinlichkeit, dass mindestens eine davon falsch ist. Und es braucht nur eine falsche Zahl, von der falschen Person entdeckt, um jede andere Zahl auf der Folie verdächtig zu machen.

Warum dieser Fehler im Finanzbereich so gefährlich ist

Eine halluzinierte Zahl sieht nicht wie ein Fehler aus. Sie sieht wie eine Antwort aus.

Eine falsch zitierte Statistik in einer E-Mail fällt auf, weil sie sich falsch anhört. Eine Umsatzzahl, die 4 % zu hoch ist, liest sich vollkommen normal – gerade weil das Modell sie mit derselben ruhigen Souveränität präsentiert wie die korrekten Zahlen ringsherum. Es gibt kein Zögern in der Ausgabe, keinen Vorbehalt. Das Falsche ist nicht vom Richtigen zu unterscheiden, bis jemand es gegen das Hauptbuch abstimmt – und bis dahin liegt es womöglich bereits vor einem Publikum.

Die Stellen, an denen das am meisten schmerzt, sind absehbar:

• Board-Decks, in denen sich die Gremiumsmitglieder an den Zahlen orientieren und sich genau jene merken, die nicht stimmten.
• Forecasts und Fundraising-Modelle, die Due-Diligence-Teams Zeile für Zeile auf Belastbarkeit prüfen. Einen solchen Zusammenbruch haben wir in der 15-Mio.-Lektion beschrieben.
• Covenant-Berechnungen und regulatorisches Reporting, wo „nah genug” schlicht keine Kategorie ist.

Die vierteilige Vertrauens-Checkliste

Sie können KI sicher auf Ihre Finanzzahlen anwenden. Aber nicht, indem Sie der flüssig formulierten Antwort vertrauen. Bestehen Sie auf vier Dingen – und wenden Sie sich von jedem Werkzeug ab, das Ihnen nicht alle vier nachweisen kann.

Grounding: Das Modell antwortet ausschließlich aus Ihren Daten

Die KI sollte eine Frage zu Ihrem Umsatz niemals aus ihrem Trainingsgedächtnis oder einer statistischen Schätzung beantworten. Sie sollte aus Ihren tatsächlichen Finanzdaten antworten – Ihrer Buchhaltungsplattform, Ihrem Data Warehouse oder Ihren abgestimmten Abschlüssen. Wenn ein Werkzeug über Ihre Margen sprechen kann, ohne mit dem Ort verbunden zu sein, an dem Ihre Margen erfasst sind, dann berichtet es nicht – es improvisiert.

Deterministische Berechnung: Die Mathematik verlässt das LLM

Dies ist die Kontrolle, auf die es am meisten ankommt – und diejenige, die die meisten Werkzeuge überspringen. Das Sprachmodell sollte nicht rechnen. Margen, Wachstumsraten, Runway, Kennzahlen, Szenariorechnungen – all das sollte über eine deterministische Engine laufen, die jedes Mal dieselbe Antwort liefert. Das LLM versteht die Frage und präsentiert das Ergebnis. Eine Berechnungs-Engine erzeugt die Zahl. Trennen Sie diese beiden Aufgaben, und Sie eliminieren die mit Abstand größte Quelle numerischer Fehler.

Quellennachweise: Jede Zahl ist bis zur Quelle nachvollziehbar

Jede Zahl sollte auf eine bestimmte Buchungszeile, in einer bestimmten Periode, in einer bestimmten Quelle zurückverweisen. Kein vages „basierend auf Ihren Finanzdaten”, sondern ein Durchklicken bis zur dahinterliegenden Buchung. Wenn Sie eine Zahl nicht bis zu ihrem Ursprung verfolgen können, können Sie sie nicht verteidigen.

Audit-Trail: Die Antwort hält späterer Prüfung stand

In sechs Monaten wird jemand fragen, woher eine Zahl stammt. Sie brauchen eine reproduzierbare Antwort, kein Achselzucken. Jeder Abruf, jede Berechnung und jede Annahme sollte protokolliert werden. Das ist Thema unseres Beitrags zum Aufbau von Audit-Trails für KI im Finanzbereich.

Wie „vertrauenswürdig” tatsächlich aussieht

Prüfen Sie die Checkliste gegen einen typischen KI-Assistenten, der auf Ihre Buchhaltungssoftware aufgesetzt ist, und die meisten scheitern an mindestens zwei Punkten: Die Mathematik findet innerhalb des Modells statt, und die Zahlen nennen keine Quelle.

Die Architektur, die besteht, ist klar umrissen. Verbinden Sie Ihre Finanzsysteme oder laden Sie Abschlüsse hoch. Stimmen Sie alles in ein einziges Modell ab, das zum Hauptbuch passt – eine einzige Quelle der Wahrheit. Dann lassen Sie die KI abrufen und einordnen, lassen Sie eine deterministische Engine rechnen, und sorgen Sie dafür, dass jede Ausgabe einen Quellennachweis trägt. Das Sprachmodell wird zu der Art, wie Sie Fragen stellen – nicht zu dem Ort, aus dem die Zahlen stammen.

Genau auf dieses Prinzip ist Rexfin gebaut: eine Finanzmodellierungs-Ebene zwischen Ihren Daten und jeder KI darüber, sodass die Geschwindigkeit vom Modell kommt und das Vertrauen von der Engine. Wie die Teile ineinandergreifen, sehen Sie im umfassenderen Leitfaden, wie Sie KI davon abhalten, Zahlen zu erfinden.

Wo die Ehrlichkeit ankommen muss

Nichts davon macht KI perfekt. Grounding kann eine falsche Buchung im Hauptbuch nicht reparieren. Eine deterministische Engine rechnet korrekt, rettet aber keine schlecht gestellte Frage. Quellennachweise belegen, woher eine Zahl stammt – nicht, ob es die richtige Zahl war, nach der zu fragen war. Die Kontrollen liefern keine Unfehlbarkeit; sie liefern Nachprüfbarkeit, und das ist das Einzige, was ein Finanzteam tatsächlich abzeichnen kann.

Also: Können Sie KI Ihre Finanzzahlen anvertrauen? Ja – wenn sie in Ihren Daten verankert ist, deterministisch rechnet, ihre Quellen nennt und eine Spur hinterlässt. Nehmen Sie auch nur eines dieser Elemente weg, und Sie vertrauen einer selbstbewussten Schätzung Ihren Namen auf dem Deck an. Das ist keine Werkzeugentscheidung. Es ist eine Ermessensfrage danach, wofür Sie bereit sind einzustehen.

Wenn Sie sehen möchten, wie fundierte, quellennachvollziehbare Zahlen gegen Ihr eigenes Hauptbuch laufen, buchen Sie eine Demo.