Warum eine Tabellenkalkulation das falsche Fundament für KI im Finanzwesen ist (und was an ihre Stelle tritt)

Wer KI auf Excel ansetzt, erbt jeden stillen Tabellenfehler. Die Lösung ist eine abgestimmte Modellierungsschicht, die die KI abfragt – kein Sheet, das sie bearbeitet.

Eine vielzitierte Auswertung von 35 Jahren Forschung zu Tabellenkalkulationen, veröffentlicht 2024, bezifferte den Anteil auf 94 Prozent: So hoch war der Anteil der über Jahrzehnte hinweg untersuchten Geschäftstabellen, die mindestens einen Fehler enthielten. Andere Untersuchungen kamen zu dem Ergebnis, dass etwa die Hälfte der Modelle, die mittelständische und große Unternehmen für tatsächliche Entscheidungen einsetzen, wesentliche Mängel aufweist. Das sind keine exotischen Sonderfälle. Es ist die Grundlage, auf der die meisten Finanzteams bereits heute budgetieren, Prognosen erstellen, Deals bepreisen und den Vorstand briefen.

Stellen Sie sich nun einen KI-Assistenten vor, der auf dieser Grundlage aufsetzt. Er liest das Sheet, schreibt in es zurück und beantwortet Fragen dazu in klarem Deutsch. Das Versprechen lautet, dass die Tabelle endlich spricht. Die Realität ist: Die KI erbt jede kaputte Referenz, jede hart kodierte Überschreibung, die jemand zu entfernen vergessen hat, jede Zelle, die 2024 ausweist, aber 2023 zieht. Sie bereinigt das Fundament nicht. Sie baut nur schneller auf einem rissigen.

Die Tabellenkalkulation war nie eine verlässliche Quelle

Eine Tabelle wirkt verbindlich, weil sie genau das ist, worauf der Controller blickt. Doch Verbindlichkeit und Verlässlichkeit sind zwei verschiedene Eigenschaften. Das Raster vermengt Eingaben, Berechnungen und Darstellung in denselben Zellen, ohne erzwungene Trennung zwischen einer Zahl, die aus dem Hauptbuch stammt, und einer Zahl, die jemand um 23 Uhr vor einer Deadline darübergeschrieben hat. Es gibt keine native Herkunftskette. Fragt man “Woher stammt diese Zahl?”, lautet die ehrliche Antwort oft “Scrollen Sie nach oben und vertrauen Sie der Bearbeitungsleiste.”

Diese Mehrdeutigkeit ist verkraftbar, solange ein Mensch das Sheet verantwortet. Menschen bauen lokales Wissen auf: welche Tabs veraltet sind, welche Zelle man nicht anrührt, welche Summe “die echte” ist. Das Modell verfügt über keinen dieser ungeschriebenen Zusammenhänge. Es behandelt eine vergiftete Zelle mit derselben Zuversicht wie eine saubere. Das erste Problem von KI-auf-Excel besteht also nicht darin, dass die KI dumm wäre. Es besteht darin, dass die KI ein Dokument getreulich abliest, das nie als System of Record konzipiert war.

Was die Benchmarks tatsächlich zeigen

Inzwischen gibt es belastbare Belege dafür, wie Sprachmodelle speziell mit Finanztabellen umgehen. FinSheet-Bench, veröffentlicht Anfang 2026, baute einen Benchmark aus synthetischen Portfoliodaten auf, die realen Private-Equity-Fondsstrukturen nachempfunden waren, und testete anschließend zehn Konfigurationen von OpenAI, Google und Anthropic bei Nachschlageaufgaben und numerischem Schlussfolgern über realitätsnahen Layouts.

Das beste Ergebnis lag bei rund 82 Prozent Genauigkeit. Das entspricht in etwa einer falschen Antwort auf sechs Fragen – und zwar beim stärksten Modell im Feld. Mit zunehmender Komplexität wurde es schlimmer: Bei der größten Datei im Set fiel der Durchschnitt über alle Modelle unter 50 Prozent. Das Fazit der Studie selbst ist unmissverständlich – kein Einzelmodell erreicht eine Fehlerquote, die niedrig genug für einen unbeaufsichtigten Einsatz im professionellen Finanzwesen wäre.

Lesen Sie das so, wie es ein CFO lesen sollte. Eine Fehlerquote von 18 Prozent ist kein Rundungsproblem, das man mit einem Disclaimer abdeckt. Wenn jede sechste Zahl in einer Prognose falsch ist und Sie nicht erkennen können, welche, ist die gesamte Prognose für jede Entscheidung mit Folgen unbrauchbar. Die Genauigkeit ist hoch genug, um richtig auszusehen, und niedrig genug, um gefährlich zu sein – die denkbar schlechteste Kombination.

Und beachten Sie, woher die Fehler kommen. Manche sind Abruffehler – das Modell greift in einem unübersichtlichen Layout mit Fondstrennern und mehrzeiligen Kopfzeilen auf die falsche Zelle zu. Andere sind Schlussfolgerungsfehler – es rechnet selbst und liegt daneben. Beide scheitern lautlos. Das Ergebnis ist eine selbstbewusste Zahl ohne Warnhinweis, ohne Quelle, ohne Möglichkeit, ihre Herleitung nachzuvollziehen.

Warum das Zurückschreiben alles verschlimmert

Ein schlechtes Sheet zu lesen ist das eine Risiko. Eine KI in es schreiben zu lassen ist eine ganz andere Kategorie. In dem Moment, in dem ein Assistent Zellen bearbeitet, kann er einen Fehler über verknüpfte Tabs hinweg fortpflanzen, eine manuelle Anpassung überschreiben, die aus einem triftigen Grund existierte, oder eine Formel einfügen, die plausibel aussieht und subtil daneben liegt. Sie haben dann eine Tabelle, die kein einzelner Mensch vollständig verantwortet, die sich unter automatisierten Bearbeitungen verändert und einen Vorstandsfoliensatz speist.

Hier steckt ein tieferliegender struktureller Punkt. Das LLM ist ein probabilistisches System. Eine Finanzberechnung soll deterministisch sein – gleiche Eingaben, gleiches Ergebnis, jedes Mal. Wenn Sie das Modell sowohl entscheiden lassen, was zu berechnen ist, als auch die Berechnung in einem freien Raster ausführen lassen, haben Sie eine nicht-deterministische Maschine in genau jenen Teil des Geschäfts verdrahtet, der rechtlich und operativ reproduzierbar sein muss. Das ist kein Automatisierungsfortschritt. Das ist ein Kontrollversagen, das auf seine Prüfung wartet.

Was an die Stelle des Sheets tritt

Die Lösung ist kein besserer Prompt und kein sorgfältigeres Modell. Sie besteht darin, die verlässliche Quelle vollständig aus dem Raster herauszuholen. Statt einer KI, die eine Tabelle bearbeitet, wollen Sie eine KI, die ein abgestimmtes Modell darunter abfragt.

Konkret bedeutet das eine Schicht, die drei Dinge leistet, zu denen die Tabellenkalkulation nie in der Lage war. Erstens: Sie verbindet sich direkt mit dem Ort, an dem die Zahlen tatsächlich liegen – QuickBooks, Xero, NetSuite, Sage, SAP, Oracle, ein Data Warehouse oder hochgeladene Abschlüsse –, statt einen manuellen Export zu erben. Zweitens: Sie stimmt diese Quellen zu einem Modell ab, das mit dem Hauptbuch abstimmbar ist, sodass es eine einzige Zahl für den Umsatz gibt und nicht sieben leicht abweichende über sieben Tabs hinweg. Drittens: Sie rechnet in einer deterministischen Engine, nicht im Kopf des Modells. Das LLM darf schlussfolgern, abrufen und erklären. Es darf die Arithmetik nicht erfinden.

Diese Architektur verändert, was eine Antwort überhaupt ist. Wenn die KI eine Zahl meldet, wurde diese Zahl aus einem abgestimmten Modell abgerufen und von einer deterministischen Engine berechnet, und sie lässt sich bis zur Ursprungstransaktion zurückverfolgen. Sie können sie nachvollziehen. Sie können einem Prüfer den Weg zeigen. Das Genauigkeitsproblem, das die Benchmarks offenlegen, wird nicht ausgebessert – es wird umgangen, weil das Modell nicht länger die Instanz ist, die rechnet.

Auch Szenarien landen hier endlich am richtigen Ort. CFOs wollen tatsächlich mehrere Sichtweisen: Base Case, Downside, ein Was-wäre-wenn auf einen Einstellungsplan. Der Fehler besteht darin, diese Varianten als widersprüchliche Zahlen in den zugrunde liegenden Daten leben zu lassen. Sie gehören als Szenarien auf ein abgestimmtes Fundament aufgesetzt, jedes davon explizit darin, welche Annahmen sich geändert haben. Ein Satz von Fakten, viele modellierte Zukünfte – nicht viele Sheets, die jeweils beanspruchen, die Fakten zu sein.

Das Fazit

Excel ist eine hervorragende Oberfläche, in der ein Mensch denken kann. Es ist ein miserables System of Record, gegen das eine Maschine rechnen soll, und die Daten zu den Fehlerquoten sind seit Jahrzehnten eindeutig. Eine KI an die Tabelle zu schrauben behebt das nicht; es skaliert es. Die Teams, die echten, belastbaren Mehrwert aus KI im Finanzwesen ziehen, sind nicht jene mit dem cleversten Assistenten. Es sind jene, die aufgehört haben, das Raster als verlässliche Quelle zu behandeln, und eine abgestimmte, deterministische Modellierungsschicht darunter gelegt haben.

Wenn Sie KI für das Finanzwesen evaluieren, ist die Frage an einen Anbieter denkbar einfach: Wenn Ihr Tool mir eine Zahl liefert – können Sie mir genau zeigen, woher sie stammt, und die Berechnung auf dieselbe Weise belegen, wie ich eine Formel belegen würde? Rexfin ist darauf ausgelegt, mit Ja zu antworten. Um zu sehen, wie das gegen Ihre eigenen Daten aussieht, buchen Sie eine Demo.

Für das Gesamtbild beginnen Sie mit dem Pillar zur verlässlichen Finanzmodellierungsschicht für KI. Von dort aus erläutert MCP für das Finanzwesen reicht nicht, warum die Anbindung eines LLM an Ihr ERP die Berechnung trotzdem falsch macht, und Single Source of Truth vs. ausreichende Versionen der Wahrheit behandelt, wo Szenariovariation tatsächlich hingehört.