KI im Finanzwesen, prüfungssicher: GoBD- und AI-Act-belastbare Modelle mit nachvollziehbaren Zahlen

Ein deutscher Wirtschaftsprüfer akzeptiert kein “Die KI hat das so gesagt.” Dieser eine Satz erklärt, warum die meisten Finanz-KI-Pilotprojekte im DACH-Raum versanden, bevor sie in den Produktivbetrieb gelangen. Die Technologie überzeugt in der Demo. Dann stellt jemand aus dem Rechnungswesen die einzige Frage, die bei einer Betriebsprüfung zählt: Woher stammt diese Zahl, und können Sie sie reproduzieren? Lautet die ehrliche Antwort “Ein Sprachmodell hat sie aus einem Prompt erzeugt”, ist das Projekt bereits gescheitert – es weiß es nur noch nicht.

Das ist die Lücke zwischen dem Versprechen einer autonomen Finanzfunktion und dem, was eine regulierte deutsche Finanzabteilung tatsächlich verantworten kann. Das Versprechen ist real. Die Rahmenbedingungen sind ebenfalls real, und sie werden nicht verschwinden. Die GoBD verlangen, dass jede buchungsrelevante Größe nachvollziehbar, vollständig und unveränderbar ist. Die EU-KI-Verordnung legt eine zweite Pflichtenebene darüber. Und unter beiden liegt das älteste Problem im Finanzwesen: Sind Ihre Daten nicht abgestimmt, liefert kein Modell – ob KI oder nicht – eine Zahl, die Sie verteidigen können.

Unsere Position ist eindeutig. Der Weg führt nicht über ein klügeres Sprachmodell. Er führt über eine abgestimmte, prüfbare Modellschicht, in der jede Größe bis zur Quelle zurückverfolgbar ist. Bringen Sie diese Schicht in Ordnung, und KI wird im Controlling wirklich nützlich. Lassen Sie sie aus, haben Sie einen teuren Weg gebaut, um plausibel aussehende Zahlen zu erzeugen, hinter die sich niemand stellen kann.

Warum Finanz-KI immer wieder am Prüfungstest scheitert

Das beherrschende Muster der Jahre 2024 und 2025 bestand darin, ein großes Sprachmodell auf Finanzdaten anzusetzen und es “analysieren” zu lassen. Im Sandkasten funktioniert das, unter drei Belastungen bricht es zusammen.

Die erste ist die Rechenarithmetik. Sprachmodelle sagen Tokens voraus; sie rechnen nicht. Bitten Sie eines, eine Spalte mit 400 Einzelposten zu summieren oder eine gewichtete Durchschnittsmarge über Segmente hinweg zu berechnen, erhalten Sie häufig eine Zahl, die nahe dran ist – was im Finanzwesen gleichbedeutend mit falsch ist. Nahe dran ist nicht abgestimmt. Nahe dran stimmt nicht mit dem Hauptbuch überein.

Die zweite ist die Herkunft. Wenn ein LLM eine Größe erzeugt, gibt es in der Regel keinen Prüfpfad, der diese Größe mit einer konkreten Buchung, einem Konto oder einem Belegdokument verknüpft. Das Modell kann eine überzeugende Erklärung formulieren, aber die Erklärung ist generierter Text, kein Nachweis. Nach den GoBD ist generierter Text kein Ersatz für Nachvollziehbarkeit.

Die dritte ist die Reproduzierbarkeit. Führen Sie denselben Prompt zweimal aus, können Sie zwei verschiedene Antworten erhalten. Eine Finanzabteilung, die auf Konsistenz zum Monatsabschluss angewiesen ist, kann nicht mit einem System arbeiten, das stillschweigend variiert. Ein Prüfer, der zwei Versionen derselben Kennzahl findet, hat ein Problem entdeckt, kein Feature.

Nichts davon bedeutet, dass KI im Finanzwesen keinen Platz hat. Es bedeutet, dass sich die Rolle der KI ändern muss.

Die GoBD-Anforderung, klar benannt

Die Grundsätze zur ordnungsmäßigen Führung und Aufbewahrung von Büchern (GoBD) legen fest, wie buchungsrelevante Aufzeichnungen in Deutschland zu führen sind. Die Grundsätze, die mit einer Black-Box-KI am härtesten kollidieren, sind Nachvollziehbarkeit und Nachprüfbarkeit, Vollständigkeit und Unveränderbarkeit. Ein Betriebsprüfer muss jede Größe vom Jahresabschluss bis zur zugrunde liegenden Aufzeichnung zurückverfolgen können, und diese Aufzeichnung darf auf dem Weg dorthin nicht unbemerkt verändert worden sein.

Ein Sprachmodell, das eine Zahl aus Trainingsmustern und einem Prompt synthetisiert, erfüllt standardmäßig keine dieser Anforderungen. Es gibt keine Kette vom Ergebnis zur Quelle. Es gibt keine Garantie, dass die Eingabe vollständig war. Es gibt keine Aufzeichnung darüber, was sich geändert hat.

Die Lösung ist architektonischer, nicht juristischer Natur. Wenn die KI niemals Zahlen erfindet – wenn sie ausschließlich Zahlen aus einem abgestimmten Modell abruft, das selbst mit dem Hauptbuch übereinstimmt, und jeder Abruf einen Verweis auf die Quelle mitführt –, dann ist die Anforderung der Nachvollziehbarkeit konstruktionsbedingt erfüllt. Die KI wird zur Schnittstelle für belastbare Zahlen statt zur Quelle unhaltbarer. Wir gehen dem in So sichern Sie die GoBD-Nachvollziehbarkeit trotz Black-Box-KI genauer nach.

Die EU-KI-Verordnung setzt eine zweite Uhr in Gang

Die GoBD gelten seit Jahren. Die EU-KI-Verordnung ist neuer, und ihre Pflichten greifen nach einem Zeitplan, den Finanzteams längst in ihrem Kalender stehen haben sollten. Die Verordnung stuft KI-Systeme nach Risiko ein, schreibt Governance-, Dokumentations-, Transparenz- und Aufsichtspflichten vor und gilt – entscheidend – für Organisationen, die KI-Systeme einsetzen, nicht nur für die Anbieter, die sie entwickeln. Ein CFO, der ein KI-Werkzeug im Controlling ausrollt, ist ein Betreiber mit Pflichten.

Die praktische Konsequenz spiegelt die der GoBD wider. Ein System, das Sie erklären, dokumentieren und beaufsichtigen können, lässt sich weitaus leichter in die Compliance überführen als ein undurchsichtiges. Wenn Sie genau belegen können, was die KI getan hat – diese Größen abgerufen, diese Berechnung durchgeführt, dieses Ergebnis erzeugt, alles nachvollziehbar –, haben Sie den größten Teil der Dokumentation und der menschlichen Aufsicht bereits beisammen. Ist Ihre KI eine Black Box, bauen Sie Governance um etwas herum auf, das Sie nicht einsehen können. Unsere Aufschlüsselung der Pflichten und des Zeitplans finden Sie in Die EU-KI-Verordnung ab August 2026: Was Finanzabteilungen jetzt tun müssen.

Die eigentliche Hürde ist die Datenqualität, nicht das Modell

Hier ist die unspektakuläre Wahrheit, die die meisten Finanz-KI-Gespräche auslassen. Der schwierigste Teil ist nicht die KI. Es ist, dass die zugrunde liegenden Daten selten in einem Zustand sind, in dem irgendein Modell eine Zahl liefern kann, die aufgeht.

Die meisten mittelständischen Unternehmen laufen auf mehr als einem System – einem ERP, einem separaten Abrechnungstool, Tabellenkalkulationen, die jemand von Hand pflegt, einem CRM, das mit allen anderen im Widerspruch steht. Derselbe Kunde taucht unter drei Namen auf. Konzerninterne Buchungen saldieren sich nicht. Zwei Systeme melden Umsätze, die sich aufgrund einer Rundungslogik unterscheiden, die niemand dokumentiert hat. Setzen Sie das klügste Modell der Welt darauf an, und Sie erhalten schnelle, selbstsichere, falsche Antworten.

Eine abgestimmte Modellschicht löst dies, bevor die KI überhaupt ins Spiel kommt. Die Arbeit besteht darin, die Quellen zu verbinden, die Widersprüche aufzulösen und ein einziges Finanzmodell zu bauen, das mit dem Hauptbuch übereinstimmt – eine einzige Quelle der Wahrheit, nicht eine vierte konkurrierende Umsatzversion. Erst dann ergibt KI obenauf einen Sinn. Die vollständige Argumentation: Datenqualität schlägt Modell: Warum KI im Finanzwesen ohne abgestimmte Datenbasis ein teures Experiment ist.

Wo KI ihren Platz verdient: Szenarien und Forecasts

Sobald Sie ein abgestimmtes Modell und eine deterministische Rechen-Engine haben, eröffnen sich die wirklich wertvollen Anwendungsfälle – und es sind genau die, die Controller tatsächlich wollen. Was-wäre-wenn-Simulationen. Rollierende Forecasts. “Was passiert mit unserem Covenant-Spielraum, wenn der größte Kunde 30 Tage später zahlt und die Einsatzkosten um vier Prozent steigen?”

Der Unterschied, der einen CFO dem Ergebnis vertrauen lässt: Die KI orchestriert die Frage und erklärt das Ergebnis in klarer Sprache, aber die Zahlen kommen aus einer deterministischen Engine, die gegen das abgestimmte Modell rechnet – nicht aus dem Kopf des Sprachmodells. Gleiche Eingaben, gleiche Ergebnisse, jedes Mal. Reproduzierbare Szenarien, die ein Prüfer erneut durchrechnen kann. Den Mechanismus behandeln wir in Szenarioanalyse und rollierende Forecasts mit KI: Was-wäre-wenn-Simulationen, denen Ihr CFO vertrauen kann.

Wie die Schicht tatsächlich funktioniert

Rexfin ist genau als diese Schicht konzipiert. Es verbindet sich mit Ihren Buchhaltungs- und Finanzdatenplattformen – QuickBooks, Xero, NetSuite, Sage, Ihrem Data Warehouse – oder mit hochgeladenen Abschlüssen und baut ein einziges abgestimmtes Finanzmodell, das mit dem Hauptbuch übereinstimmt. Von dort aus ruft die KI Größen ab, führt Berechnungen über eine deterministische Engine statt über das Modell aus, simuliert Szenarien und erzeugt Erkenntnisse, die bis zur Quelle zurückverfolgbar sind.

Die Trennung ist der entscheidende Punkt. Das Sprachmodell übernimmt die Sprache: das Verstehen der Frage, das Erläutern der Antwort. Die Zahlen werden deterministisch abgerufen und berechnet, mit angehängter Herkunft. Genau das macht das Ergebnis GoBD-nachvollziehbar und AI-Act-belastbar statt bloß beeindruckend in einer Demo. Mehr zur Architektur lesen Sie unter So funktioniert es und bei den unterstützten Integrationen.

Das Fazit

Eine autonome Finanzfunktion wird nicht durch die Intelligenz des Modells begrenzt. Sie wird dadurch begrenzt, ob Sie die Zahl verteidigen können, wenn jemand mit Prüfungsbefugnis fragt, woher sie stammt. Lösen Sie zuerst Herkunft und Abstimmung, halten Sie die Rechenarithmetik aus dem Sprachmodell heraus, und die Compliance-Geschichte – GoBD und KI-Verordnung gleichermaßen – schreibt sich weitgehend von selbst. Lassen Sie das aus, und Sie haben die Produktion von Zahlen automatisiert, die Sie wieder zurücknehmen müssen.

Wenn Sie Zahlen sehen möchten, die bis zur Quelle zurückreichen, und Szenarien, die Sie auf Abruf reproduzieren können, buchen Sie eine Demo und bringen Sie Ihre schwierigste Abstimmungsfrage mit.