Szenarioanalyse und Rolling Forecasts mit KI: What-if-Simulationen, denen Ihr CFO wirklich vertraut

KI rechnet Tausende What-if-Szenarien in Sekunden durch. Doch ein Forecast taugt nur etwas, wenn er reproduzierbar ist und auf einer abgestimmten Baseline beruht. So bekommen Sie beides.

Stellen Sie einem Sprachmodell dieselbe Frage zweimal, und Sie erhalten unter Umständen zwei verschiedene Antworten. Das ist unproblematisch, wenn es lediglich eine E-Mail zusammenfassen soll. Es ist ein disqualifizierender Mangel, wenn Sie wissen wollen, wie Ihre Liquidität im März aussieht, falls ein Schlüsselkunde 45 Tage zu spät zahlt und die Stahlpreise um 12 % steigen.

Genau hier liegt die stille Spannung, die unter jeder KI-gestützten Forecasting-Demo lauert. Die Vorführung ist tatsächlich beeindruckend: Sie tippen eine Frage in normalem Deutsch ein, sehen, wie tausend What-if-Szenarien in Sekunden durchgerechnet werden, und erhalten ein Diagramm. Das Problem zeigt sich beim zweiten Durchlauf, oder in dem Moment, in dem Ihr CFO sagt: „Zeigen Sie mir, wie diese Zahl zustande gekommen ist.” Ein Forecast, der sich nicht selbst reproduzieren kann, ist kein Forecast. Er ist eine einmalige Halluzination mit hohem Produktionswert.

Die gute Nachricht: Die Geschwindigkeit ist real und ihren Preis wert. Die Lösung besteht nicht darin, KI-gestützte Szenariomodellierung aufzugeben. Sie besteht darin, präzise zu trennen, welcher Teil des Systems denkt und welcher Teil rechnet.

Worin KI hier wirklich gut ist

Szenarioanalyse war früher durch Handarbeit begrenzt. Einen einzigen neuen What-if-Fall in einer Tabelle aufzubauen (drei Annahmen ändern, die Formeln neu verknüpfen, prüfen, dass nichts zerbrochen ist) konnte einen halben Tag kosten. Also modellierten die Teams drei Szenarien: Base, Best Case, Worst Case. Die Realität hat mehr als drei.

KI lässt diesen Aufwand zusammenschmelzen. Beschreiben Sie den Treiber, den Sie variieren möchten (DSO, Churn, einen Rohstoffpreis, den Zeitpunkt von Neueinstellungen), und das System erzeugt Dutzende Permutationen sowie einen Rolling Forecast, der sich mit jedem eingehenden Ist-Wert aktualisiert. Gerade in der Liquiditätsplanung, wo zwischen „alles in Ordnung” und „Covenant-Bruch” oft nur wenige Wochen Timing liegen, ist es ein echter Fortschritt, viele Szenarien statt nur drei zur Hand zu haben. Dieser Teil des Versprechens hält, was er verspricht.

Das Problem ist nie die Geschwindigkeit der Berechnung. Es ist die Frage, ob Sie für das Ergebnis geradestehen können.

Zwei Anforderungen, von denen ein CFO nicht abrückt

Ein Forecast, den eine Finanzverantwortliche tatsächlich einem Aufsichtsrat oder einer Bank vorlegt, muss zwei Hürden nehmen. Die meisten KI-Tools nehmen standardmäßig keine davon.

Er muss reproduzierbar sein. Gleiche Eingaben, gleiches Ergebnis, jedes Mal. Genau hier scheitert ein reines LLM, denn es erzeugt plausiblen Text, statt ein festes Ergebnis zu berechnen. Zwei Durchläufe, zwei Zahlen, und schon müssen Sie eine Abweichung erklären, die Sie nicht erklären können. Reproduzierbarkeit ist im Finanzwesen kein Luxusfeature, sondern die Eintrittskarte. In Deutschland ist sie zudem untrennbar mit der GoBD-Nachvollziehbarkeit verbunden: der Anforderung, dass jede Zahl für einen sachverständigen Dritten nachvollziehbar sein muss.

Er muss an eine Baseline gebunden sein, die tatsächlich stimmt. Ein Szenario ist nichts anderes als die Transformation eines Ausgangspunkts. Wenn dieser Ausgangspunkt (Ihr aktueller Umsatz, Ihre reale Liquidität, Ihre eingegangenen Kostenverpflichtungen) nicht mit dem Hauptbuch übereinstimmt, dann ist jedes darauf aufgebaute Szenario in dieselbe Richtung falsch. Schnell, selbstbewusst und falsch. Die ausführliche Version dieses Arguments führen wir in Datenqualität schlägt das Modell aus, aber die Kurzfassung lautet: Müll-Baseline, Müll-Szenarien, egal, wie klug das Modell ist.

Die Lösung: deterministische Szenarien auf einem abgestimmten Modell

Hier ist die Architektur, die KI-Forecasting belastbar macht. Sie beruht auf einer sauberen Arbeitsteilung.

Die KI interpretiert die Anfrage und orchestriert. Sie fragen in normaler Sprache: „Was passiert mit unserer Runway, wenn wir die Q3-Einstellungen um zwei Monate verschieben und unser größter Kunde auf Netto-60 rutscht?” Das Modell ermittelt, welche Treiber Sie meinen und welches Szenario es zusammenzustellen gilt. Das ist Spracharbeit, und darin sind Sprachmodelle gut.

Die Berechnung läuft über eine deterministische Engine, nicht über das Modell. Die eigentliche Rechenarbeit (das veränderte Timing anwenden, den Forecast neu fortschreiben, die Liquiditätskurve neu berechnen) geschieht in einer Berechnungs-Engine, die für dieselbe Eingabe jedes Mal dieselbe Ausgabe liefert. Das LLM rechnet zu keinem Zeitpunkt selbst. Es übergibt die Parameter an die Engine und meldet zurück, was die Engine geliefert hat. Diese eine Designentscheidung verwandelt „jedes Mal eine andere Antwort” in „reproduzierbares Ergebnis, auf Abruf”.

Und das Ganze ruht auf einer abgestimmten Baseline: einem einzigen Finanzmodell, das aus Ihren angebundenen Buchhaltungs- und Finanzdaten aufgebaut ist und mit dem Hauptbuch übereinstimmt. Der Base Case ist keine Zahl, an die sich die KI erinnert hat. Er ist Ihre reale Position, abgestimmt mit der Quelle.

Der Gewinn: Jede Szenariozahl lässt sich auf zwei Dinge zurückführen: die geprüfte Baseline, von der sie ausging, und den dokumentierten Rechenweg, der sie hervorgebracht hat. Lassen Sie es nächste Woche mit denselben Annahmen erneut laufen, erhalten Sie dasselbe Ergebnis. Legen Sie es einem Prüfer vor, kann er die Kette nachvollziehen. Das ist der Unterschied zwischen einer Zahl, die Sie verteidigen können, und einer Zahl, von der Sie hoffen, dass niemand sie hinterfragt. Es ist dasselbe Prinzip, das auch KI-Buchhaltung GoBD-nachvollziehbar hält: behandelt in KI in der Buchhaltung: GoBD-Nachvollziehbarkeit trotz Black-Box-KI wahren.

Wo die ehrlichen Grenzen liegen

Dieser Ansatz macht Forecasts nicht richtig. Er macht sie reproduzierbar und nachvollziehbar, was ein anderer und realistischer einzulösender Anspruch ist. Ihre Annahmen können nach wie vor falsch sein. Unterstellen Sie 5 % Churn und es sind tatsächlich 9 %, berechnet eine deterministische Engine treu und brav das falsche Ergebnis. Was Sie gewinnen, ist die Fähigkeit, genau zu erkennen, welche Annahme das Ergebnis getrieben hat, sie zu ändern und neu zu rechnen, statt darüber zu streiten, ob das Tool die Mathematik richtig durchgeführt hat.

Es gibt zudem einen Disziplinpreis. Eine abgestimmte Baseline bedeutet, dass die vorgelagerte Anbindung an Ihre Buchhaltungsdaten gepflegt werden muss, nicht einmal eingerichtet und dann vergessen. Das ist echte Arbeit. Aber es ist Arbeit, die Sie in Tabellen ohnehin schon (nur schlecht) erledigt haben; hier wird sie einmal getan und über jedes Szenario hinweg wiederverwendet.

Das Fazit

KI-Szenarioanalyse lohnt sich: die Fähigkeit, Dutzende What-if-Fälle zu modellieren und den Forecast automatisch fortzuschreiben, ist ein echter Gewinn gegenüber dem Ritual aus Base, Best Case und Worst Case. Doch Geschwindigkeit ohne Reproduzierbarkeit ist eine Falle, und Reproduzierbarkeit entsteht aus der Architektur, nicht aus einem besseren Prompt. Verlagern Sie die Rechenarbeit in eine deterministische Engine, verankern Sie alles in einer abgestimmten Baseline, und die KI darüber wird zu etwas, das ein CFO abzeichnen kann.

Dieser Artikel ist Teil unserer Themenreihe zu KI im Finanzwesen für deutsche Teams: GoBD- und AI-Act-konforme Modelle. Wenn Sie deterministische Szenarien gegen Ihre eigenen abgestimmten Zahlen laufen sehen möchten, buchen Sie eine Demo.