Das 95-Prozent-Problem: Was MITs GenAI-Divide für den Finanzbereich bedeutet

Laut MIT bringen 95 % aller GenAI-Pilotprojekte keinerlei Ertrag. Im Finanzbereich liegt das nicht am Modell, sondern an nicht abgestimmten Daten. So lösen Sie das Problem.

Eine Zahl macht seit fast einem Jahr in Vorstandspräsentationen die Runde: 95 % aller unternehmensweiten Pilotprojekte mit generativer KI erzielen keinen messbaren Ertrag. Sie stammt aus der NANDA-Initiative des MIT, aus einem Bericht von 2025 mit dem Titel The GenAI Divide: State of AI in Business. Die Forscher untersuchten Hunderte von Einführungen und stellten fest, dass die große Mehrheit nie eine Zeile in der GuV bewegt hat. Eine kleine Minderheit schon.

Diese Kennzahl wird gern zitiert, um Zurückhaltung zu rechtfertigen, oder als Pointe verwendet. Beides verfehlt den Kern. Die spannende Frage ist nicht, warum 95 % gescheitert sind. Sondern was die anderen 5 % anders gemacht haben. Und gerade im Finanzbereich fällt die Antwort unbequem aus, denn sie hat fast nichts damit zu tun, welches Modell Sie gewählt haben.

Der Graben verläuft nicht entlang der Modellqualität

Wenn das KI-Pilotprojekt eines Finanzteams scheitert, gibt die Ursachenanalyse meist dem Falschen die Schuld. „Das Modell war nicht klug genug.” „Halluzinationen.” „Wir hätten GPT-5 gebraucht, nicht GPT-4.” Also wartet das Team auf das nächste Release, fährt dasselbe Pilotprojekt auf einem besseren Modell und erhält dasselbe enttäuschende Ergebnis. Das Modell war nie der Engpass.

Das MIT formuliert es so: Die Lücke liegt zwischen den Werkzeugen und den Arbeitsabläufen. Generische Chat-Assistenten setzen sich leicht durch, weil sie nachsichtig sind: eine E-Mail entwerfen, ein Dokument zusammenfassen: wenn es leicht danebenliegt, entsteht kein Schaden. Doch Systeme, die echte operative Arbeit leisten sollen, bei denen das Ergebnis in eine Entscheidung einfließt, geraten ins Stocken. Sie behalten keinen Kontext, fügen sich nicht in die tatsächliche Arbeitsweise des Teams ein, und entscheidend: Niemand vertraut dem Ergebnis genug, um danach zu handeln, ohne alles von Hand nachzuprüfen. Und an dem Punkt: was hat Ihnen die KI dann erspart?

Im Finanzbereich ist das Vertrauensproblem schärfer als fast überall sonst. Eine Zusammenfassung, die „weitgehend stimmt”, reicht für ein Sitzungsprotokoll. Eine Bruttomarge, die „weitgehend stimmt”, ist eine falsche Zahl in einer Vorstandspräsentation, und Ihr Name steht darunter.

Warum der Finanzbereich aus einem anderen Grund scheitert

Außerhalb des Finanzbereichs ist die typische Fehlerquelle die Reibung im Arbeitsablauf. Innerhalb des Finanzbereichs liegt darunter eine konkretere Blockade: Die Daten, über die die KI argumentiert, waren von vornherein nie vertrauenswürdig.

Sehen wir uns an, was tatsächlich passiert. Ein Team richtet ein KI-Werkzeug auf seine Daten in QuickBooks oder NetSuite, lädt ein paar Exporte hoch und beginnt, Fragen zu stellen. Das Buchhaltungssystem sagt das eine. Das CRM sagt etwas anderes über dieselben Kunden. Die Vorstandspräsentation des Vormonats enthält eine dritte Version der Umsatzzahl, weil jemand eine manuelle Korrektur in einer Tabelle vorgenommen hat, die nie ins Hauptbuch zurückgeflossen ist. Die KI weiß von all dem nichts. Sie mittelt selbstbewusst über das Durcheinander hinweg und liefert eine Antwort, die mit nichts übereinstimmt.

Das ist kein Modellfehler. Es ist ein Datenfehler, den das Modell getreulich erbt. FP&A-Teams kennen diesen Schmerz bereits aus dem Effeff: Umfrage um Umfrage zeigt, dass Analysten einen großen Teil ihrer Woche, oft ein Drittel bis fast die Hälfte, allein damit verbringen, Daten zu sammeln und abzustimmen, bevor überhaupt eine Analyse beginnt. Genau diese manuelle Abstimmung ist die Arbeit, die eine Zahl vertrauenswürdig macht. Lässt man sie weg, ist die KI schnell und falsch statt langsam und richtig.

Die eigentliche Voraussetzung für KI-ROI im Finanzbereich ist also nicht ein besseres Modell. Es ist eine abgestimmte Single Source of Truth: ein einziges Finanzmodell, in dem die Zahlen tatsächlich zum Hauptbuch passen, bevor die KI sie überhaupt anrührt. Das ist der Kern von warum vertrauenswürdige Finanz-KI ein abgestimmtes Modell als Fundament braucht.

Was die erfolgreichen 5 % gemeinsam haben

Wenn man den Hype abzieht, teilen die Einführungen, die funktioniert haben, eine unspektakuläre Eigenschaft. Sie waren geerdet. Die KI assoziierte nicht frei über einem Haufen Dokumente; sie rief Daten aus einer definierten, kontrollierten Quelle ab, und die Anwender konnten sehen, woher jede Antwort stammte.

Darum geht es im Kern. Erdung verwandelt ein plausibel klingendes System in ein belastbares. Wenn ein Controller auf eine Zahl klicken und sie bis zur Ursprungstransaktion zurückverfolgen kann, hört die KI auf, ein Risiko zu sein, und wird zum Hebel. Kann er das nicht, muss jedes Ergebnis manuell geprüft werden, und der Produktivitätsfall bricht zusammen: Sie haben einen Schritt hinzugefügt, nicht entfernt.

Es gibt eine verwandte Falle, die einen Namen verdient. Selbst bei guter Erdung führt es wieder Fehler ein, ein Sprachmodell die Antwort berechnen zu lassen, denn LLMs sind im Rechnen tatsächlich schlecht. (Den Mechanismus erläutern wir in warum KI bei Finanzmathematik falschliegt.) Die Lösung besteht darin, die KI abrufen und interpretieren zu lassen und die eigentliche Berechnung an eine deterministische Engine zu übergeben. Der Abruf erdet die Eingaben. Die Engine garantiert die Rechnung. Keines von beiden allein genügt.

So gehören Sie zu den 5 %: der Reihe nach

Wenn Sie als CFO darüber entscheiden, ob das diesjährige KI-Budget die Enttäuschung des Vorjahres wiederholt, kommt es mehr auf die Reihenfolge an als auf die Werkzeuge. Grob:

Zuerst abstimmen. Gelangen Sie zu einem einzigen Modell, in dem Umsatz, Marge und Liquidität über jede angebundene Quelle hinweg zum Hauptbuch passen. Kein KI-Schritt ist es wert, auf Zahlen ausgeführt zu werden, die Sie nicht unterschreiben würden.
Erden Sie die KI in diesem Modell, nicht in Rohexporten oder einem Dokumentenwust. Die KI sollte aus der abgestimmten Quelle abrufen, wobei jede Zahl bis zu ihrem Ursprung zurückverfolgbar bleibt.
Lagern Sie die Rechnung an eine deterministische Schicht aus. Lassen Sie das Modell entscheiden, was gerechnet wird; lassen Sie eine echte Engine das Rechnen übernehmen, damit dieselbe Frage jedes Mal dieselbe Antwort liefert.
Dann automatisieren. Sobald Sie den Zahlen und dem Weg zu ihnen vertrauen, weiten Sie das Ganze auf Reporting, Abweichungsanalyse und Szenarien aus. Automatisierung ist der Lohn für Vertrauen, kein Ersatz dafür.

Die meisten gescheiterten Pilotprojekte drehen das um. Sie automatisieren zuerst, stellen fest, dass den Zahlen nicht zu trauen ist, und legen das Vorhaben still und leise still. Die 95 % sind kein Urteil über KI. Sie sind ein Urteil darüber, am falschen Punkt zu beginnen.

Das Fazit

Das MIT hat nicht bewiesen, dass KI im Finanzbereich nicht funktioniert. Es hat bewiesen, dass KI auf nicht abgestimmten Daten nicht funktioniert, was Ihnen jeder Controller umsonst hätte sagen können. Das Modell ist inzwischen Massenware. Die abgestimmte, nachverfolgbare Finanzschicht darunter ist das Schwierige, und das, was darüber entscheidet, auf welcher Seite des Grabens Sie landen.

Wenn Ihre nächste KI-Initiative lieber zu den 5 % gehören soll, ist der unspektakuläre erste Schritt, die Zahlen in Ordnung zu bringen. Genau dafür ist Rexfin gebaut. Demo buchen, und wir zeigen Ihnen, wie KI aussieht, wenn jede Zahl auf ihre Quelle zurückführt.