Erst Vertrauen, dann Automatisierung: Die KI-Finance-Checkliste für CFOs 2026

Eine Finanzchefin erzählte mir im vergangenen Quartal, dass ihr Aufsichtsrat in jeder Sitzung dieselbe Frage stellte: „Sind wir bei KI im Rückstand?” Sie nickte dann, verwies auf die Pilotprojekte und wechselte das Thema. Insgeheim kannte sie die Wahrheit. Die Pilotprojekte existierten. Sie produzierten Präsentationsfolien. Keines davon berührte eine Zahl, für die sie tatsächlich mit ihrem Namen geradegestanden hätte.

So sieht der reale Stand der KI im Finanzwesen derzeit aus. Keine Verweigerung. Keine vollständige Einführung. Eine Warteschleife.

Die Umfragen bestätigen das. Quer durch aktuelle CFO-Studien geben rund 85 bis 90 Prozent der Finanzverantwortlichen an, KI sei für ihren Bereich entscheidend oder strategisch wichtig. Ein deutlich kleinerer Anteil, häufig im niedrigen zweistelligen Bereich beziffert, berichtet von messbarem ROI. Verschiedene Studien verorten die genauen Werte unterschiedlich, doch das Muster bleibt stets dasselbe: hohe Überzeugung, dünne Erträge. Die Begeisterung ist echt, der Ertrag ist es nicht.

Der erste Reflex ist, dem Modell die Schuld zu geben. Ein klügeres auswählen, einen besseren Prompt schreiben, auf das nächste Release warten. Das ist die falsche Diagnose. Was zwischen einem CFO und dem ROI von KI steht, ist nicht die Modellqualität. Es ist das Vertrauen. Und Vertrauen ist im Finanzwesen kein Gefühl. Es ist eine Reihe von Eigenschaften, die Sie überprüfen können.

Warum „erst automatisieren” immer wieder scheitert

Die meisten gescheiterten Pilotprojekte folgten demselben Drehbuch. Jemand verband einen Chatbot mit einem Stapel Exporte, stellte ihm Finanzfragen und erhielt eloquente, selbstbewusste, plausible Antworten. Dann prüfte ein Controller eine davon stichprobenartig nach. Die Zahl stimmte nicht. Nicht völlig daneben, nur falsch genug. Und sobald eine Zahl falsch ist, ist jede Zahl verdächtig, denn Sie haben keine Möglichkeit, die guten von den schlechten zu unterscheiden, ohne die Arbeit selbst noch einmal zu machen.

Also stirbt das Pilotprojekt still und leise. Nicht in einer Sitzung. Im Kopf eines Controllers, in dem Moment, in dem er entscheidet, dass es schneller geht, die Zahl selbst herauszuziehen.

Die Lehre liegt in der Reihenfolge. Sie können sich Vertrauen nicht herbeiautomatisieren. Sie müssen zuerst Vertrauen verdienen und dann darauf aufbauend automatisieren. Ein System, dem nicht vertraut wird, zu automatisieren, produziert lediglich schneller falsche Antworten, und zwar in einem Umfang, in dem niemand mehr nachprüft. Das ist die Fehlerart, die man 2026 fürchten sollte: nicht eine KI, die sich weigert zu helfen, sondern eine KI, die Sie selbstbewusst über die Klippe führt.

Dieses Reihenfolgeproblem ist der rote Faden hinter der Zuverlässigkeitsschicht für KI im Finanzwesen. Stimmt die Reihenfolge nicht, ist alles Nachgelagerte bedeutungslos.

Die Checkliste: fünf Dinge, bevor Sie automatisieren

Behandeln Sie alles Weitere als Beschaffungsfilter. Wenn ein Tool, ein Anbieter oder Ihre eigene interne Lösung diese fünf Punkte nicht erfüllt, kommt es einer Aufsichtsratszahl nicht nahe. Noch nicht.

1. Verankerung: Jede Antwort stammt aus Ihren Daten, nicht aus dem Gedächtnis des Modells

Ein nicht verankertes LLM antwortet aus seinem Training, was bedeutet, dass es bereitwillig eine Umsatzzahl ausgibt, die mit Ihrem Hauptbuch nichts zu tun hat. Die erste nicht verhandelbare Anforderung lautet: Das System ruft aus Ihren abgestimmten Finanzdaten ab und verweigert die Antwort, wenn die Daten nicht vorhanden sind.

Der Test ist unmissverständlich. Fragen Sie nach einer Kennzahl, von der Sie wissen, dass sie in den angebundenen Daten nicht existiert. Ein vertrauenswürdiges System sagt, dass es sie nicht finden kann. Ein gefährliches erfindet etwas, das richtig aussieht. Erhalten Sie eine selbstbewusste Antwort auf eine unbeantwortbare Frage, brechen Sie die Bewertung ab. Mehr brauchen Sie nicht zu wissen.

2. Quellennachweise: Jede Zahl ist bis zur Quelle rückverfolgbar

Eine Zahl, die Sie nicht nachverfolgen können, ist ein Gerücht mit Dezimalpunkt. Bei allem, was in einer Aufsichtsratspräsentation oder einer Prognose landet, sollten Sie auf die Zahl klicken und sehen können, woher sie stammt: die Quellzeile, die Periode, das Dokument.

Genau das macht auch den Unterschied zwischen „die KI hat das gesagt” und „hier ist der Prüfpfad” aus, und das ist exakt die Frage, die ein Prüfer oder ein Due-Diligence-Team stellen wird. Auf die Mechanik gehen wir tiefer ein unter warum Retrieval allein eine deterministische Berechnungsschicht braucht, denn ein Quellennachweis ohne korrekte Rechnung ist nur die halbe Miete.

3. Deterministische Berechnung: Das Modell ruft ab, die Engine rechnet

Diesen Punkt übersehen die meisten Teams. Sprachmodelle sind im Rechnen wirklich schlecht, und zwar nicht auf eine Weise, die ein besserer Prompt behebt. Sie zerlegen Zahlen in Textfragmente und gleichen ihr Muster auf ein plausibles Ergebnis hin ab, statt eines zu berechnen. Öffentliche Benchmarks haben scharfe Einbrüche bei der Genauigkeit gezeigt, sobald es um mehrstellige und mehrstufige Rechnungen geht, also genau die Art von Operationen, die eine einzige GuV-Aggregation dutzendfach umfasst.

Die Lösung ist kein klügeres Modell. Es ist die Architektur. Das Modell entscheidet, was berechnet werden soll. Eine deterministische Engine erledigt die Berechnung tatsächlich, genau wie eine Tabellenkalkulation, sodass 2,4 Millionen plus 1,1 Millionen jedes Mal 3,5 Millionen ergeben, nicht „rund 3,5” mit einer Wahrscheinlichkeit von 4 Prozent, dass es 3,6 sind. Wenn Sie den eigentlichen Grund verstehen wollen, warum das so wichtig ist, legt warum KI im Finanzrechnen Fehler macht das Tokenisierungsproblem im Detail dar.

Führen Sie dieselbe Abfrage zehnmal aus. Wandert die Antwort, findet die Berechnung innerhalb des Modells statt. Das ist ein Durchfaller.

4. Prüfpfade: Die Arbeit ist Monate später reproduzierbar

Eine Zahl, die im Juni stimmte, muss im September, wenn der Wirtschaftsprüfer fragt, immer noch belastbar sein. Das setzt einen unveränderlichen Datensatz darüber voraus, welche Daten verwendet wurden, was berechnet wurde und wie die Antwort lautete, eingefroren zum Zeitpunkt ihrer Entstehung. Reproduzierbarkeit ist keine Compliance-Förmlichkeit. Sie ist das, was Ihnen erlaubt, zu einer vor einem Quartal gemeldeten Zahl zu stehen, ohne sie von Grund auf neu herleiten zu müssen.

5. Menschliche Kontrolle bei allem, was das Haus verlässt

Vertrauen ist abgestuft, nicht binär. Interne explorative Abfragen dürfen frei laufen. Eine Zahl, die in die Berechnung einer Kreditauflage (Covenant) einfließt, sollte einen menschlichen Kontrollpunkt durchlaufen. Ordnen Sie Ihre Anwendungsfälle Risikostufen zu und verlangen Sie eine Freigabe, die im Verhältnis zur Tragweite steht. Der Sinn der ersten vier Punkte besteht darin, diese menschliche Prüfung schnell zu machen, weil Quelle und Rechnung bereits offengelegt sind. Die Kontrolle wird zu einem prüfenden Blick, nicht zu einer erneuten Revision.

Wie das in der Praxis aussieht

Beachten Sie, was allen fünf Punkten gemeinsam ist: Bei keinem geht es darum, dass die KI klüger wird. Es geht darum, dass das Fundament darunter korrekt, nachvollziehbar und stabil ist. Das Modell ist die letzte Meile. Die Zuverlässigkeit liegt in der Schicht darunter.

Genau das ist das gesamte Argument dafür, auf einem abgestimmten Finanzmodell aufzubauen. Eine einzige Quelle der Wahrheit, die mit dem Hauptbuch übereinstimmt, aus der die KI abruft, gegen die eine deterministische Engine rechnet und bei der jede Ausgabe bis zur Quelle zurückverfolgbar ist. Bekommen Sie das richtig hin, beantwortet sich die Checkliste größtenteils von selbst. Lassen Sie es aus, sind Sie wieder bei selbstbewusst, falsch und schnell.

Ich gebe die Grenze ehrlich zu. Das macht KI nicht unfehlbar. Es macht die Fehler der KI sichtbar und eingegrenzt, was ein völlig anderes Risikoprofil ist als eine Blackbox, die meistens richtig liegt und über den Rest schweigt. Für ein Finanzteam schlägt eingegrenzt und überprüfbar jedes Mal brillant und undurchsichtig.

Der Fehler des Jahres 2026 wird der CFO sein, der ein System ohne Vertrauensbasis automatisiert, weil der Aufsichtsrat eine Schlagzeile wollte. Der Gewinn gehört demjenigen, der zuerst die Vertrauensschicht aufbaut und die Automatisierung dann auf etwas Solidem aufsetzen lässt. Erst Vertrauen, dann Automatisierung. Nicht umgekehrt.

Wenn Sie sehen möchten, wie ein abgestimmtes, mit Quellen belegtes, deterministisch berechnetes Fundament unter echten Finanzdaten tatsächlich aussieht, buchen Sie eine Demo und bringen Sie Ihre kniffligste Zahl mit.