Datenqualität schlägt das Modell: Warum KI im Finanzwesen ohne abgestimmte Basis scheitert

Deutsche Studien benennen Datenqualität immer wieder als Hindernis Nummer eins für KI im Finanzwesen. Was fehlt, ist eine Abstimmungsschicht, die die Zahlen in Einklang bringt, bevor die KI sie überhaupt anrührt.

Fragen Sie eine deutsche Finanzverantwortliche, warum ihr KI-Pilot ins Stocken geraten ist, hören Sie selten „das Modell war nicht klug genug”. Sie hören, dass die Daten ein Chaos waren. Der Pilot funktionierte in der Demo glänzend, auf sauberen Beispielzahlen, und brach in dem Moment zusammen, als er auf drei Jahre echte Buchungssätze über zwei Gesellschaften hinweg traf, dazu auf einen Kontenrahmen, der sich mitten im Jahr geändert hatte.

Das ist keine Anekdote. Es ist der durchgängigste Befund der deutschen KI-Forschung. Die Bitkom-Umfragen unter deutschen Unternehmen führen Datenqualität, Datenverfügbarkeit und Integration immer wieder unter den größten Hürden für den KI-Einsatz – noch vor Kosten, Fachkräften und Regulierung. Andere Studien, die sich speziell mit Finanzabteilungen befassen, kommen zum selben Ergebnis. Das Hindernis ist nicht die Intelligenz des Modells. Es ist der Zustand der Daten darunter.

Das sollte verändern, wie Sie Ihren nächsten Budgetzyklus einsetzen.

Ein Modellproblem und ein Datenproblem sind nicht derselbe Kampf

Liefert Ihre KI falsche Antworten, weil das Modell schwach ist, bleibt Ihnen nur das Warten. Sie warten auf die nächste Spitzen-Generation, Sie zahlen für mehr Rechenleistung, Sie hoffen. Sie haben so gut wie keinen Hebel in der Hand.

Liefert Ihre KI falsche Antworten, weil die Daten nicht abgestimmt sind, dann haben Sie ein Problem, das Sie tatsächlich lösen können – mit Werkzeugen, die es längst gibt, und mit Methoden, die Buchhalter seit einem Jahrhundert anwenden. Abstimmung ist nichts Exotisches. Es ist die Disziplin, die Zahlen miteinander und mit der Quelle in Einklang zu bringen. Das Unangenehme daran ist, dass die meisten KI-Projekte im Finanzwesen diesen Schritt vollständig überspringen, weil Abstimmung wenig glamourös ist und das Anbinden eines Chatbots an ein Data Warehouse einen Nachmittag dauert.

Also nehmen sich die Teams den Nachmittag. Sie verdrahten ein LLM mit dem rohen Hauptbuch und fangen an, es zu Margen und Liquiditätsreichweite zu befragen. Die Antworten klingen flüssig. Ein guter Teil ist sogar richtig. Aber es gibt keinen schnellen Weg zu erkennen, welcher, denn das Modell interpretiert Rohtransaktionen, die nie mit irgendetwas abgestimmt waren. Sie haben keine Analyse automatisiert. Sie haben die Produktion selbstbewusster Zahlen automatisiert, die niemand überprüfen kann.

Warum „gib der KI einfach die Rohdaten” nach hinten losgeht

Zwei Fehlermuster treten fast sofort auf.

Erstens erfindet das Modell. Große Sprachmodelle sind Mustermaschinen, keine Rechenmaschinen. Bitten Sie ein solches Modell, eine Spalte aus 400 Positionen zu summieren oder einen gewichteten Durchschnitt über mehrere Währungen zu bilden, produziert es eine Zahl, die plausibel aussieht und manchmal weit danebenliegt – geliefert mit derselben Selbstsicherheit wie eine richtige Antwort. Es weiß nicht, dass es falsch liegt, und Sie wissen es ebenso wenig, bis jemand von Hand abstimmt, was den ganzen Sinn zunichtemacht.

Zweitens ist selbst dann, wenn die Rechnung zufällig stimmt, die Basis falsch. Intercompany-Buchungen sind doppelt erfasst. Eine Umgliederung aus dem letzten Quartal wurde nicht nachvollzogen. Zwei Systeme weisen denselben Umsatz unter unterschiedlichen Abgrenzungsregeln aus. Das Modell rechnet getreulich auf schlechten Eingaben und reicht Ihnen eine sauber aussehende Lüge. Müll rein, selbstbewusster Müll raus – in Maschinengeschwindigkeit.

Für ein deutsches Finanzteam ist das nicht nur ein Genauigkeitsproblem. Die GoBD verlangen, dass Zahlen bis zu ihrer Quelle nachvollziehbar sind, und ab August 2026 fügt der EU AI Act bestimmten Anwendungsfällen im Finanzwesen weitere Pflichten hinzu. Eine Zahl, die Sie nicht nachvollziehen können, ist eine Zahl, die Sie nicht verteidigen können. Wir vertiefen das in KI in der Buchhaltung und GoBD-Nachvollziehbarkeit und behandeln den regulatorischen Zeitplan in was der EU AI Act für Finanzabteilungen bedeutet.

Die Lösung ist eine Schicht, kein klügeres Modell

Was fehlt, ist eine Abstimmungs- und Modellierungsschicht, die zwischen Ihren Buchhaltungsdaten und der KI sitzt und ihre Arbeit erledigt, bevor das Modell überhaupt etwas beantworten darf.

In der Praxis bedeutet das dreierlei. Sie binden Ihre Quellen an – Buchhaltungsplattformen wie QuickBooks, Xero, NetSuite, Sage, ein Data Warehouse oder hochgeladene Auswertungen. Daraus bauen Sie ein einziges abgestimmtes Finanzmodell, eine zentrale Wahrheitsquelle, die sich mit dem Hauptbuch deckt und in der Intercompany, Währungen und Periodenabgrenzung einmal und korrekt behandelt sind. Anschließend arbeitet die KI gegen dieses Modell statt gegen die Rohdaten: Sie ruft Zahlen ab, die bereits abgestimmt sind, lässt Berechnungen über eine deterministische Engine laufen, statt sie zu erraten, modelliert Was-wäre-wenn-Szenarien auf derselben verlässlichen Basis und liefert jede Antwort mit einem Nachweis zurück zur Quelle.

Auf die Aufteilung kommt es an. Das Sprachmodell ist stark darin, Ihre Frage zu verstehen und das Ergebnis in klaren Worten zu erklären. Es ist schwach im Rechnen und noch schwächer darin zu erkennen, wann es falsch liegt. Also überlassen Sie ihm die Sprache und geben die Mathematik an eine Engine, die per Konstruktion korrekt ist. Genau das ist der Entwurf hinter Rexfin, und die Seite So funktioniert es zeigt den Ablauf von Anfang bis Ende.

Was das nicht löst

Klar gesagt: Eine Abstimmungsschicht reinigt kein Hauptbuch, das tatsächlich defekt ist, wie von Zauberhand. Enthalten Ihre Quelldaten Fehler, legt die Abstimmung sie offen – sie erfindet die Wahrheit nicht. Das ist ein Vorzug, kein Mangel, denn eine Abweichung sichtbar zu machen ist genau das, was Sie wollen, bevor eine Zahl in eine Vorstandsvorlage gelangt. Es bedeutet aber, dass die Schicht eine Disziplin ist und kein Knopfdruck. Der Lohn: Sobald die Basis stimmt, erbt alles, was darauf aufbaut – einschließlich Forecasts und Szenarioanalyse –, diese Integrität.

Das Fazit

Der Reflex, auf ein besseres Modell zu warten, ist der teure Fehler. Das Modell ist nicht Ihr Engpass und war es wahrscheinlich nie. Abgestimmte, nachvollziehbare Daten sind es. Bringen Sie zuerst die Basis in Ordnung, schalten Sie eine deterministische Engine zwischen die KI und die Arithmetik – und KI hört auf, ein kostspieliges Experiment zu sein, und wird zu etwas, auf das Sie vor Ihrem Wirtschaftsprüfer eine Zahl setzen können.

Wenn Sie sehen möchten, wie das gegen Ihre eigenen Bücher läuft, buchen Sie eine Demo und bringen Sie eine Frage mit, die Ihr letzter Pilot falsch beantwortet hat.