Kennzahlen, die wirklich vor Problemen warnen (und die, die Ihnen etwas vormachen)

Jeder Kennzahlen-Leitfaden im Netz listet dasselbe Dutzend Kennzahlen in derselben flachen Reihenfolge auf, als wären Current Ratio und Days Sales Outstanding dieselbe Art von Zahl. Sind sie nicht. Die eine ist Arithmetik auf Werten, die bereits feststehen. Die andere hängt von einer Definitionsentscheidung ab, die jemand treffen muss, bevor die Berechnung überhaupt beginnen kann. Wer beide gleich behandelt, bekommt ein Dashboard, das seriös aussieht und es leise nicht ist.

Dieser Unterschied wird wichtiger, sobald KI ins Spiel kommt. Eine KI, die eine mechanische Kennzahl aus abgestimmten Ist-Zahlen berechnet, liegt jedes Mal richtig, weil es nur eine richtige Antwort gibt. Eine KI, die eine ermessensabhängige Kennzahl berechnet, ohne zu wissen, welche Definition sie übernommen hat, liefert eine Zahl, die in sich schlüssig ist – und trotzdem falsch für Ihr Geschäft. Die Lösung ist kein besseres Modell. Es geht darum, vor jeder Meldung zu wissen, in welche Kategorie eine Kennzahl fällt, ob durch einen Menschen oder eine Maschine.

Kategorie eins: Kennzahlen, die reine Arithmetik sind

Manche Kennzahlen nehmen Werte, die durch das Hauptbuch bereits feststehen, und dividieren sie. Es gibt keinen Interpretationsschritt. Stimmen die Eingangswerte, stimmt die Kennzahl. Punkt.

Kennzahl	Formel	Was sie zeigt
Current Ratio	Umlaufvermögen ÷ kurzfristige Verbindlichkeiten	Können Sie kurzfristige Verpflichtungen mit kurzfristigen Vermögenswerten decken
Quick Ratio	(Umlaufvermögen − Vorräte) ÷ kurzfristige Verbindlichkeiten	Dieselbe Frage, ohne den am wenigsten liquiden Posten
Bruttomarge	(Umsatz − Herstellkosten) ÷ Umsatz	Was nach den direkten Kosten der Leistungserbringung übrig bleibt
Verschuldungsgrad	Gesamtverbindlichkeiten ÷ Eigenkapital	Welcher Anteil der Bilanz über Fremdkapital finanziert ist

Das sind die Kennzahlen, die sich zuerst zu automatisieren lohnen, weil das Risiko dabei tatsächlich gering ist. Eine Liquiditätskennzahl, berechnet auf einer abgestimmten Bilanz, hat keinen Ort, an dem sich ein Fehler verstecken könnte – Zähler und Nenner sind beide bereits abgeschlossene Werte. Stimmen die zugrunde liegenden Konten mit dem Hauptbuch überein, stimmt auch die Kennzahl mit der Realität überein. Genau diese Art von Berechnung sollte eine deterministische Engine vollständig übernehmen, während eine KI-Ebene das Ergebnis liest, statt es bei jeder Frage neu herzuleiten.

Der Haken liegt vorgelagert, nicht in der Kennzahl selbst. Enthält Ihre Position „kurzfristige Verbindlichkeiten” fälschlich eine langfristige Verbindlichkeit, oder ist Ihr Lagerbestand veraltet, weil diesen Monat niemand eine Inventur gemacht hat, ist die Kennzahl arithmetisch einwandfrei und inhaltlich falsch. Mechanische Kennzahlen sind nur so vertrauenswürdig wie die Abstimmung darunter – und genau das ist das ganze Argument dafür, die Bücher abzuschließen, bevor Sie irgendetwas glauben, das darauf aufbaut.

Kategorie zwei: Kennzahlen mit eingebauter Ermessensentscheidung

Die zweite Kategorie sieht auf einem Dashboard gleich aus, ein sauberer Prozentsatz oder eine kleine Zahl, aber die Formel enthält eine Entscheidung, die das Ergebnis verändert, je nachdem, wer sie trifft.

Days Sales Outstanding (DSO) ist das klarste Beispiel. Die Formel ist einfach: Forderungen ÷ (Umsatz ÷ Tage im Zeitraum). Aber „Forderungen” ist keine einzelne Zahl. Zählen strittige Rechnungen dazu? Forderungen gegenüber einem verbundenen Unternehmen? Ein Kunde, der 200 Tage überfällig ist und wahrscheinlich nie zahlt – bleibt er im Sinne des Nenners drin, oder wird er zuerst ausgebucht und neu gerechnet? Zwei Finance-Teams, die auf dasselbe Hauptbuch schauen, können DSO-Werte errechnen, die acht oder zehn Tage auseinanderliegen, beide vertretbar, beide falsch miteinander vergleichbar, ohne zu wissen, welche Regel jeweils zugrunde lag.

Burn Multiple hat dasselbe Problem, nur eine Ebene tiefer. Die Standarddefinition lautet Net Burn ÷ Net New ARR, aber „Net Burn” hängt davon ab, was als Wachstumsausgabe zählt und was als laufende Betriebskosten. Ein Unternehmen, das einen Teil des Vertriebspersonals als „Wachstumsinvestition” umklassifiziert, weist ein besseres Burn Multiple aus als ein identisches Unternehmen, das das nicht tut – gleiches Geld raus, andere Etikettierung. Der Glossareintrag Burn Multiple erklärt die Mechanik; der Punkt hier ist enger gefasst: Die Zahl ist nur über Zeiträume oder zwischen Unternehmen vergleichbar, wenn die Klassifizierungsregel gleich bleibt.

Cash Conversion Cycle stapelt gleich drei Ermessensentscheidungen übereinander – DSO, Days Inventory Outstanding und Days Payable Outstanding tragen jeweils ihre eigene definitorische Unschärfe und werden dann addiert. Liegt bei einer einzigen Eingangsgröße die Regel daneben, verschiebt sich der Cash Conversion Cycle um eine Woche oder mehr, ohne dass sich im zugrunde liegenden Geschäft tatsächlich etwas verändert hätte.

Nichts davon macht diese Kennzahlen nutzlos. Es macht sie gefährlich, wenn man ihnen blind vertraut, und besonders gefährlich, wenn man sie einer KI übergibt, ohne die Definition vorher festzulegen.

Warum diese Unterscheidung wichtiger wird, sobald KI rechnet

Fragen Sie ein Modell „Wie hoch ist unser DSO”, wird es antworten. Es muss eine Definition von Forderungen wählen, um die Rechnung durchzuführen, und sofern diese Definition nicht irgendwo festgelegt und abrufbar ist, wählt es implizit eine aus – wahrscheinlich die Standardformel, die es im Training am häufigsten gesehen hat, angewendet auf den erstbesten „Forderungen”-Saldo. Das muss nicht Ihre Unternehmenskonvention sein. Es muss nicht einmal die Konvention sein, die Ihr Finance-Team letztes Quartal verwendet hat, falls sich die Definition verschoben hat und niemand sie schriftlich festgehalten hat.

Das ist eine engere Version eines Problems, das an anderer Stelle auf dieser Seite behandelt wird: Ein LLM, das im eigenen Kopf rechnet, ist ein probabilistischer Prozess an einer Stelle, die eigentlich deterministisch sein sollte. Bei mechanischen Kennzahlen ist dieses Risiko begrenzt, weil die „Logik” nur Division ist – schwer falsch zu machen, sobald die Eingangswerte feststehen. Bei ermessensabhängigen Kennzahlen summiert sich das Risiko, weil das Modell stillschweigend eine Geschäftsregel wählen muss, bevor es überhaupt zu rechnen beginnt. Zwei Durchläufe derselben Frage können legitim unterschiedlich ausfallen, wenn der zugrunde liegende Forderungsfilter nicht festgelegt ist.

Die praktische Lösung ist dieselbe, die für jede Zahl gilt, die eine KI im Finanzbereich meldet: Definitionen werden einmal, vorgelagert, im Modell festgelegt, das die KI abfragt – nicht bei jeder Frage neu hergeleitet. Schließt „aktuell” bei Forderungen alles über 90 Tage und strittige Rechnungen aus, lebt diese Regel im abgestimmten Modell, und jede DSO-Berechnung, ob von einem Menschen oder einem Assistenten ausgeführt, übernimmt dieselbe Regel. Die Aufgabe der KI wird dann, eine konsistent berechnete Zahl abzurufen, statt spontan zu entscheiden, was „aktuell” heute bedeutet.

Ein kurzer Sortiertest für jede Kennzahl auf Ihrem Dashboard

Bevor Sie einer Kennzahl vertrauen, oder der Antwort einer KI dazu, stellen Sie zwei Fragen:

1. Stehen beide Eingangswerte bereits durch das Hauptbuch fest, ohne dass eine Filter- oder Klassifizierungsentscheidung nötig ist, um sie zu berechnen? Wenn ja, ist die Kennzahl mechanisch. Behandeln Sie Abweichungen als echtes Signal.
2. Würden zwei kompetente Analysten diese Kennzahl unabhängig voneinander berechnen und dabei mit unterschiedlichen, gleichermaßen vertretbaren Definitionen deutlich auseinanderliegen? Wenn ja, ist die Kennzahl ermessensabhängig. Sie ist erst nützlich, sobald die Definition schriftlich festgelegt und konsequent angewendet wird – und jede KI, die sie meldet, muss angeben, welche Definition sie verwendet hat, nicht nur die Zahl.

Die meisten veröffentlichten Kennzahlen-Leitfäden lassen diesen Test komplett aus und präsentieren alle zwölf Kennzahlen mit derselben selbstbewussten Formatierung. Für ein Glossar ist das in Ordnung. Auf einem laufenden Dashboard, mit dem jemand entscheidet, ob er die Zahlungsfrist eines Kunden verlängert oder das Budget einer Abteilung kürzt, ist es ein Risiko.

Fazit

Nicht jede Kennzahl verdient dasselbe Maß an Vertrauen, und der Unterschied hat nichts damit zu tun, wie wichtig die Kennzahl ist – Burn Multiple ist für ein Board enorm wichtig und basiert trotzdem auf einer weichen Definition. Entscheidend ist, ob die Eingangswerte der Formel bereits durch das Hauptbuch feststehen oder erst eine Klassifizierungsentscheidung brauchen. Mechanische Kennzahlen lassen sich bedenkenlos vollständig automatisieren, sobald die Bücher abgestimmt sind. Ermessensabhängige Kennzahlen brauchen festgelegte und offengelegte Definitionen, bevor eine Zahl gemeldet wird, ob von einem Menschen oder einem Modell.

Wenn Sie prüfen, wie ein KI-Anbieter damit umgeht, fragen Sie direkt: Zeigt der Assistent, wenn er DSO oder Burn Multiple meldet, welche Definition er verwendet hat, oder nur die Zahl? Rexfin legt diese Definitionen im abgestimmten Modell selbst fest, sodass jede Kennzahl, mechanisch oder ermessensabhängig, auf eine nachvollziehbare Regel zurückführbar ist. Demo buchen, um das an Ihrem eigenen Kontenrahmen zu sehen.

Mehr dazu, warum das zugrunde liegende Modell feststehen muss, bevor darauf eine Kennzahl berechnet wird, finden Sie unter KPI-Abweichungsanalyse, die dieselbe Abhängigkeit von der Abstimmung aus Berichtssicht behandelt.