Die Checkliste für KI-Datenbereitschaft im Finance-Team (in Wahrheit nur Kontenabstimmung)

Eine anbieterneutrale Checkliste, um Ihre Finanzdaten KI-tauglich zu machen – und warum jeder Punkt darauf schon immer zur Kontenabstimmung gehörte.

Jeder Anbieter, der KI ins Finance-Team verkaufen will, veröffentlicht mittlerweile eine eigene Version der „Datenbereitschafts”-Checkliste. Quellen konsolidieren. Kontenrahmen bereinigen. Benennungen vereinheitlichen. Die Begründung ist fast immer dieselbe: Machen Sie diese Vorarbeit, damit die KI Ihre Daten versteht.

Diese Begründung steht auf dem Kopf, und sie kostet Finance-Teams echte Zeit. Was auf diesen Checklisten steht, ist keine KI-Vorbereitung. Es ist Kontenabstimmung – dieselbe Disziplin, die Controller bei jedem Abschluss seit Jahrzehnten durchziehen, aus Gründen, die mit Sprachmodellen nichts zu tun haben. Das Einzige, was KI ändert, ist die Geschwindigkeit, mit der eine Lücke in dieser Disziplin sichtbar wird – und wie teuer es wird, sie auf die harte Tour zu entdecken. Hier ist die Checkliste, ohne die Marketinghülle drumherum.

Konsolidieren Sie Ihre Quellen zu einem führenden System

Wenn der Umsatz in QuickBooks steht, eine abweichende Zahl in einer Sales-Ops-Tabelle lebt und eine dritte Version in einem Board-Deck existiert, das jemand letztes Quartal von Hand gebaut hat, dann haben Sie kein Datenproblem, das ein KI-Tool zum ersten Mal aufdeckt. Sie hatten drei Versionen des Umsatzes, solange diese drei Artefakte existieren. Ein Mensch, der den Abschluss von Hand abstimmt, würde die Lücke irgendwann bemerken, nachfragen und sie mit Erfahrungswissen überbrücken – welcher Tab „der echte” ist, welcher Export veraltet ist. Eine KI hat dieses Erfahrungswissen nicht. Sie wählt eine Quelle und antwortet mit voller Überzeugung, und nichts an der Oberfläche verrät Ihnen, dass sie danebenlag.

Die Lösung ist kein neues Tool. Es ist dieselbe Lösung, die die Kontenabstimmung schon immer vorschreibt: Bestimmen Sie ein System als führendes System, behandeln Sie jede andere Tabelle als Arbeitsversion, die darauf zurückgeführt werden muss, und lassen Sie nicht zu, dass „das Deck” oder „der Export” stillschweigend zu einer zweiten Wahrheit wird. Tun Sie das, und Sie haben Ihre Daten nicht KI-tauglich gemacht. Sie haben Ihren Abschluss prüfungsfest gemacht – das eigentliche Ziel. KI macht nur schneller sichtbar, wenn dieses Ziel fehlt.

Prüfen Sie Ihren Kontenrahmen auf schleichende Abweichungen

Kontenrahmen verwildern langsam. Ein neuer Kreditorenbuchhalter legt „Bürobedarf – Sonstiges” an, statt das bestehende Konto „Bürobedarf” zu nutzen. Ein Abteilungsleiter bucht Software-Ausgaben unter „Beratung”, weil dieses Konto gerade im Dropdown offen war. Zwei Jahre später gibt es vier Konten, die alle ungefähr dasselbe bedeuten, und niemand weiß mehr, welches für welchen Lieferanten maßgeblich ist.

Ein menschlicher Analyst fängt einen Teil davon durch Erfahrung und Mustererkennung bei der Abweichungsanalyse ab. Ein KI-System, das gefragt wird „Was haben wir letztes Jahr für Software ausgegeben?”, summiert nur das Konto, das man ihm genannt hat – die Abweichung bleibt komplett unentdeckt, oder schlimmer: Ein Konto wird stillschweigend mitgezählt, das gar nicht dazugehört. Führen Sie eine Kontenabweichungsprüfung durch: Ziehen Sie jedes Konto mit Bewegung in den letzten zwölf Monaten, gruppieren Sie nach erkennbarem Zweck und konsolidieren oder mappen Sie Duplikate, bevor sich die Abweichung weiter aufschaukelt. Die Pflege des Kontenrahmens war Abschluss-Best-Practice, lange bevor jemand ein Sprachmodell auf die Hauptbuchhaltung losgelassen hat – früher scheiterte sie nur leise statt selbstbewusst.

Vereinheitlichen Sie Lieferanten- und Kundennamen

„Amazon”, „Amazon.com”, „AMZN Web Services” und „Amazon Web Svcs” können im selben Kreditorensystem als vier eigenständige Lieferantennamen auftauchen, jeder mit eigener Transaktionshistorie. Ein Controller, der eine manuelle Zusammenfassung erstellt, lernt, die Varianten zu erkennen. Eine Abgleich-Engine – ob menschlich oder automatisiert –, die die vier als getrennte Lieferanten behandelt, stellt die Konzentration falsch dar, unterschätzt das Gesamtvolumen mit diesem einen Geschäftspartner und verfälscht jede Analyse, die nach Lieferant gruppiert.

Das ist ein Normalisierungsproblem, das Teams in der Kontenabstimmung seit Jahren mit Lieferanten-Stammdaten und Dedupe-Läufen vor dem Monatsabschluss lösen. Der Checklistenpunkt ist derselbe, der er immer war: Führen Sie einen Fuzzy-Match-Lauf über Ihre Lieferanten- und Kundenstammdaten durch, führen Sie Duplikate zusammen und erzwingen Sie ab sofort eine Namenskonvention für neue Einträge. Wie diese Normalisierung aussieht, wenn sie automatisiert statt bei jedem Abschluss von Hand erfolgt, zeigt wie Zahlen normalisiert werden.

Vergeben Sie Dimensionen konsequent

Abteilung, Kostenstelle, Region, Produktlinie – diese Dimensionen funktionieren als Filter nur, wenn jede Transaktion, die eine Kennzeichnung braucht, auch die richtige trägt. Ein einzelner ungetaggter oder falsch getaggter Buchungsstapel erzeugt nicht nur eine falsche Zahl. Er reißt still jeden nachgelagerten Bericht mit, der nach dieser Dimension aufschlüsselt: die Abteilungs-GuV, die Regionalprognose, die Margenanalyse nach Produktlinie – alle in dieselbe Richtung falsch, ohne dass es auffällt.

Lücke bei der Dimension	Was dadurch still kaputtgeht
Fehlende Kostenstelle bei einem Stapel Buchungssätze	Abteilungs-GuV-Summen, Soll-Ist-Vergleich pro Team
Region bei einer Teilmenge von Rechnungen nicht gepflegt	Regionale Umsatzaufteilung, Konsolidierung auf Gesellschaftsebene
Produktlinie vor/nach einer Umbenennung uneinheitlich vergeben	Margentrends pro Produkt, jeder periodenübergreifende Vergleich
Uneinheitliche Konzernverrechnungs-Kennzeichnung	Konsolidierungseliminierungen, Berichterstattung auf Gesellschaftsebene

Nichts davon ist neu. Es ist dieselbe Tagging-Disziplin, die Datenverträge zwischen Abschlussschritten schon immer verlangt haben – wie diese Disziplin strukturell statt der individuellen Sorgfalt überlassen durchgesetzt wird, zeigt Datenverträge zwischen Prozessschritten.

Legen Sie eine Währungs- und Rundungskonvention fest – und schreiben Sie sie auf

Wenn Ihre Gesellschaften in mehr als einer Währung fakturieren, hat jemand längst entschieden, welcher Kurs für die Umrechnung gilt, wie auf Transaktions- versus Summenebene gerundet wird und wie Kursgewinne und -verluste in der konsolidierten Berichterstattung behandelt werden. Das Problem: Diese Entscheidungen stecken oft im Kopf eines einzelnen Controllers oder in einer Fußnote der Prüfungsunterlagen vom letzten Jahr – statt in einer dokumentierten Konvention, die jedes System und jede Person gleich anwendet.

Undokumentierte Konventionen sind unproblematisch, solange eine Person jede Berechnung verantwortet. Sie brechen in dem Moment, in dem mehr als ein System – Mensch, Tabelle oder KI – Zahlen auf demselben Hauptbuch erzeugt, weil jedes still einen anderen Standardwert annimmt. Schreiben Sie die Konvention auf: welche Kursquelle, welche Rundungsregel, welche Behandlung für realisierte gegenüber unrealisierte Wechselkurseffekte. Das ist keine neue Arbeit, die durch KI-Einführung entsteht. Es ist die Art von Dokumentation, die jede neue Kollegin, jeder neue Kollege am ersten Tag im Abschlussprozess braucht – was diese Dokumentation typischerweise abdecken muss, zeigt ein neues Teammitglied in der ersten Woche einarbeiten.

Warum diese Checkliste eigentlich nichts mit KI zu tun hat

Schauen Sie sich die fünf Punkte noch einmal an: ein führendes System, ein bereinigter Kontenrahmen, deduplizierte Lieferanten- und Kundennamen, konsequente Dimensions-Tags, eine dokumentierte Währungskonvention. Jeder einzelne davon ist eine Abstimmungskontrolle. Keiner erwähnt ein Modell, einen Prompt oder eine Vektordatenbank. Genau das ist der Punkt.

KI braucht keine besonderen Daten. Sie braucht korrekte Daten, konsistent aufbereitet, mit Quellenbezug – genau das, was ein sauber geführter Abschluss schon immer verlangt hat. Was KI verändert, sind die Kosten, wenn man diese Arbeit auslässt. Ein Mensch, der manuell abstimmt, stolpert irgendwann über einen doppelten Lieferanten oder ein veraltetes Konto und meldet es, weil Menschen Reibung bemerken. Ein KI-System, das gebeten wird, dieselben Daten zusammenzufassen, stolpert nicht. Es liefert eine selbstbewusste, falsche Antwort, ohne sichtbare Naht – nichts an der Oberfläche unterscheidet eine saubere Zahl von einer unsauberen. Die Checkliste wird nicht länger, weil Sie KI eingeführt haben. Die Folgen des Auslassens werden nur schneller und leiser.

Wenn Ihr Intake-Prozess eingehende Belege schon vor dem Buchen klassifiziert und strukturiert, werden mehrere dieser Punkte deutlich einfacher – wie dieser Schritt die manuelle Nacharbeit an der Quelle reduziert, zeigt Belegerfassung und Klassifizierung.

Das Fazit

Es gibt keine eigene Spezies „KI-tauglicher” Finanzdaten. Es gibt abgestimmte und nicht abgestimmte Daten, und KI legt lediglich schneller offen, welche der beiden Sie haben, als es ein Quartalsabschluss früher tat. Arbeiten Sie die fünf Punkte oben ab – ein führendes System, ein bereinigter Kontenrahmen, deduplizierte Namen, konsequente Tags, eine dokumentierte Währungskonvention – nicht weil ein Anbieter Ihnen gesagt hat, Sie sollen sich auf KI vorbereiten, sondern weil es dieselben Kontrollen sind, die jeden Abschluss prüfungsfest machen, mit oder ohne Modell, das die Ausgabe liest.

Wenn Sie sehen möchten, wie diese Abstimmungsarbeit strukturell durchgesetzt wird statt einer Checkliste überlassen zu bleiben, die einmal im Jahr jemand abhakt: Demo vereinbaren.