MCP für Finance reicht nicht: Warum die Anbindung eines LLM an Ihr ERP-System die Berechnung trotzdem falsch macht

Ein Controller verbindet einen Model-Context-Protocol-Server mit NetSuite, fragt die KI nach der Bruttomarge je Segment für die letzten zwölf Monate und erhält in vier Sekunden eine Antwort. Die Zahl liegt um 90 Basispunkte daneben. Nicht, weil die KI die Daten nicht erreicht hätte. Sie hat die Daten einwandfrei erreicht. Sie hat die richtigen Sachkonten, die richtigen Perioden, die richtigen Gesellschaften gezogen. Dann hat sie die Division selbst durchgeführt (im Token-Raum) und dabei stillschweigend ein Vorzeichen auf einem Erlösschmälerungskonto verdreht.

Genau in diese Falle führt MCP die Finanzteams. Die Anbindung fühlt sich nach dem schwierigen Teil an, und sobald die Leitung steht, scheint die Arbeit getan. Ist sie nicht. Der Datenabruf ist gelöst. Die Berechnung nicht.

Was MCP tatsächlich löst

Geben wir MCP, was ihm zusteht. Anthropic hat das Protokoll Ende 2024 als offenen Standard eingeführt, um Modelle mit externen Tools und Daten zu verbinden, und mit der Spezifikation vom November 2025 hat es echte Substanz bekommen: strukturierte Tool-Definitionen, parallele Tool-Ausführung, Task-Tracking für langlaufende Vorgänge und browservermittelte Abläufe, sodass ein Client niemals selbst die Zugangsdaten halten muss. Microsoft liefert einen MCP-Server für Dynamics 365 Finance and Operations aus. Es gibt MCP-Server für Marktdaten, für Buchhaltungsplattformen, für Data Warehouses.

Der echte Gewinn liegt in der Governance. Vor MCP bedeutete „die KI an unser ERP anbinden“ in der Regel eine fragile Eigenintegration, einen zu weit gefassten API-Schlüssel und keinerlei Protokoll darüber, worauf das Modell zugegriffen hat. MCP standardisiert diesen Zugriff. Ein Protokoll, deklarierte Fähigkeiten, eng gefasste Berechtigungen, eine prüfbare Schnittstelle. Wenn Ihre Alternative darin bestand, einen CSV-Export in einen Chatbot zu kopieren, ist MCP in puncto Datenabfluss und Nachvollziehbarkeit ein ernsthafter Fortschritt.

Wenn ein Anbieter also sagt „wir sind MCP-nativ“, dann glauben Sie ihm, dass er die Verrohrung gelöst hat. Lassen Sie nur nicht zu, dass sich diese Aussage klammheimlich zu „und deshalb stimmen die Zahlen“ ausweitet. Das sind zwei verschiedene Sätze.

Die zwei Dinge, die MCP Ihnen nicht liefert

Hier ist die Lücke, ganz nüchtern formuliert. MCP ist eine Transport- und Zugriffsschicht. Es transportiert Kontext zum Modell und stellt Tools bereit, die das Modell aufrufen kann. Zu zwei Problemen, die darüber entscheiden, ob eine Finanzantwort vertrauenswürdig ist, sagt es nichts.

Es stimmt nichts ab. Was über eine MCP-Verbindung zurückkommt, sind Rohdaten aus dem Hauptbuch. Buchungszeilen, Kontensalden, Dimensionsmerkmale, mehrere Gesellschaften mit jeweils eigenem Kontenplan, noch nicht eliminierte Intercompany-Buchungen, eine Erlösgröße im Hauptbuch, die sich nicht mit der Größe im Fakturierungs-Nebenbuch deckt. MCP reicht dem Modell eine getreue Kopie des Durcheinanders weiter. Das Modell muss nun entscheiden, welcher „Umsatz“ der echte ist, ob die Intercompany-Zeile zu saldieren ist und wie es vier Gesellschafts-Kontenpläne auf eine einzige Definition der Bruttomarge abbildet. Das ist kein Datenabruf. Das ist bilanzielles Urteilsvermögen, und ein LLM improvisiert es am Dienstag anders als am Montag.

Es rechnet nicht deterministisch. Selbst bei sauberen Eingangsdaten erledigt ein MCP-angebundenes LLM die Arithmetik auf die einzige Weise, die einem LLM möglich ist: durch Vorhersage des nächsten Tokens. Die Benchmarks sind hier schonungslos deutlich. Spitzenmodelle bleiben bei Finanz-Spreadsheet-Aufgaben bei rund 82 % hängen und bei Finance-Q&A bei etwa 90 %. Eine Trefferquote von 90 % klingt solide, bis man sich vergegenwärtigt, dass damit jede zehnte Zahl falsch ist, ohne jeden Hinweis darauf, welche. Das Protokoll hat die richtigen Daten in den Prompt befördert und die Berechnung dann der unzuverlässigsten Komponente im gesamten Stack überlassen.

Sie können einem LLM über MCP eine makellose Summen- und Saldenliste übergeben und erhalten dennoch eine falsche Marge, denn das Versagen liegt nicht im Datenpfad. Es liegt in der Berechnung.

„Geben Sie ihm doch einfach ein Rechner-Tool“

Der naheliegende Einwand: MCP unterstützt Tool-Aufrufe, also stellt man ein calculate-Tool bereit, und das LLM hört auf, im Kopf zu rechnen. Halb richtig, und die richtige Hälfte zählt. Die eigentliche Rechenoperation an Code statt an Token-Vorhersage zu übergeben, ist genau der richtige Instinkt.

Doch ein bloßes Rechner-Tool erbt das Problem nur eine Ebene höher. Das Modell muss weiterhin entscheiden, womit es das Tool füttert: welche Konten, welche Perioden, welche Gesellschaften, ob diese Zeile bereits um Retouren bereinigt ist. Müll-Auswahl in einen perfekten Rechner ergibt nach wie vor Müll heraus. Und Ad-hoc-Tools driften. Die in einen Tool-Aufruf eingebackene Margendefinition deckt sich nicht mit der, die das Modell im nächsten Gespräch zusammenstellt, also erhalten zwei Personen auf dieselbe Frage zwei Antworten, und keine kann belegen, welche stimmt. Ein Rechner ohne ein gemeinsames, abgestimmtes Modell darunter ist nur ein schnellerer Weg, inkonsistent zu sein.

Was zwischen Protokoll und Antwort gehört

Die Lösung besteht nicht darin, MCP abzulehnen. Nutzen Sie es für das, worin es gut ist, und setzen Sie die fehlenden Schichten dorthin, wo sie hingehören: zwischen die Verbindung und das Sprachmodell.

Erstens: ein abgestimmtes Modell. Ein einziger Ort, an dem die unsauberen Eingangsdaten aus mehreren Quellen auf vereinbarte Definitionen abgebildet werden, Intercompany eliminiert wird, Gesellschaften konsolidiert werden und jede Größe sich lückenlos auf das Hauptbuch zurückführen lässt. Das ist die zentrale Quelle der Wahrheit: das, was ein Controller tatsächlich unterschreiben würde. Die semantische Definition von „Bruttomarge“ wohnt hier ein für alle Mal, statt pro Prompt neu hergeleitet zu werden.

Zweitens: eine deterministische Rechenlogik. Berechnungen laufen als Code gegen dieses abgestimmte Modell, nicht als Vorhersagen innerhalb des LLM. Gleiche Eingaben, gleiches Ergebnis, jedes Mal, mit einem Pfad zurück zur Quelle. Die Aufgabe des Modells schrumpft auf das, worin es wirklich gut ist: die Frage zu verstehen, die richtige vordefinierte Kennzahl auszuwählen und das Ergebnis in klarer Sprache zu erläutern. Es ruft ab und es erzählt. Es erfindet die Zahl nicht.

Genau auf dieser Arbeitsteilung ist Rexfin aufgebaut. Binden Sie Ihre Buchhaltungs- und Finanzdatenplattformen an oder laden Sie Abschlüsse hoch. Wir erstellen ein einziges abgestimmtes Modell, das sich auf das Hauptbuch zurückführen lässt. Anschließend ruft die KI Größen ab, lässt die Berechnung durch eine deterministische Rechenlogik laufen, modelliert Was-wäre-wenn-Szenarien und liefert Erkenntnisse, die bis zur Quelle nachvollziehbar sind. MCP kann eine der Türen sein, durch die Daten hereinkommen. Es ist kein Ersatz für das Modell und die Rechenlogik hinter dieser Tür.

Wenn Sie architektonisch noch früher stehen: Eine Tabellenkalkulation ist aus demselben Grund das falsche Fundament dafür: eine KI an eine fehlerhafte Basis anzubinden, automatisiert lediglich den Fehler. Und der Maßstab, an dem ein Aufsichtsgremium Sie messen wird, ist schärfer als „es hat geantwortet“: es geht darum, ob die Zahl wiederholbar ist, beweisbar wie eine Formel beweisbar ist. Die umfassendere Begründung, verlässliche Finanzmodellierung als eigene Schicht zu behandeln, ist im Pillar-Artikel ausgeführt.

Das Fazit

MCP beantwortet die Frage „Kann die KI unsere Zahlen erreichen?“. Es beantwortet nicht die Frage „Stimmen die Zahlen?“. Das sind die einzigen beiden Fragen, die einen CFO interessieren, und ein Anbieter, der die erste löst und dabei suggeriert, er habe auch die zweite gelöst, verkauft Ihnen Zuversicht, keine Genauigkeit. Bohren Sie bei der zweiten nach. Fragen Sie, wo die Abstimmung stattfindet und wo die Arithmetik läuft. Lautet die Antwort „das findet das LLM schon heraus“, dann haben Sie eine schnelle Leitung zu einer falschen Zahl.

Sehen Sie die Architektur aus abgestimmtem Modell plus deterministischer Rechenlogik an Ihren eigenen unsauberen Daten: Demo buchen.