„Treasurer tauschen Automatisierung gegen Transparenz“

Künstliche Intelligenz (KI) verspricht viel, doch was in Finanzabteilungen tatsächlich umgesetzt wird, steht auf einem anderen Blatt. Für Treasury-Abteilungen stellt sich die Frage, wie sie die Möglichkeiten der Technologie nutzen können, um effizienter zu werden, ohne dabei unnötige Risiken einzugehen. Börries Többens beobachtet seit einigen Jahren bei Treasurern ein Umdenken, insbesondere in der Liquiditätsplanung: „Das Thema KI wird von Treasury-Abteilungen deutlich ernsthafter vorangetrieben“, sagt der Berater von KPMG. „Vor rund vier Jahren war KI in diesem Bereich eher Modellbau im Labor. Es wurden sehr spezifische Machine-Learning-Modelle entwickelt, die Möglichkeiten und die praktische Anwendbarkeit waren jedoch begrenzt.“ KI: Belastbare Governance nötig Inzwischen agierten Treasury-Abteilungen anders. „Was wir jetzt sehen, ist ein echter Systembau in einem integrierten Ökosystem“, so Többens. Dabei gehe es nicht nur um Cash-Daten, sondern auch um Working-Capital-und Risikodaten, die in die Systeme einflössen. „Das führt dazu, dass Treasurer weniger Inkonsistenzen und Widersprüche in den Daten haben – und insgesamt mehr Vertrauen entsteht.“ Gerade dieses Vertrauen sei zentral. „Treasurer tauschen einen höheren Automatisierungsgrad und durchschnittlich höhere Genauigkeit gegen weniger Transparenz“, sagt Többens. Dadurch steige die Effizienz. Umso wichtiger sei es, eine belastbare Governance rund um KI aufzubauen. „Das Treasury sollte sich nicht allein auf den Weg machen, sondern andere Abteilungen einbeziehen. Es braucht klare Verantwortlichkeiten und Prüfungen, insbesondere beim Datenschutz.“ „Es braucht klare Verantwortlichkeiten und Prüfungen, insbesondere beim Datenschutz.“ Börries Többens, KPMG Ein großer Fokus liege neben der Governance auf der Datenqualität. Deutlich verändert hätten sich zudem die Large Language Models (LLM) und andere trainierte Modelle, die die Prognosequalität erhöhen könnten. „Diese KI-Modelle wurden mit deutlich mehr Informationen trainiert – etwa mit Infrastruktur- oder geopolitischen Daten. Die sind für Prognosen teils fast genauso wichtig wie interne Daten.“ Für Treasury-Abteilungen ist die Anreicherung mit externem Datenmaterial ein zweischneidiges Schwert. Traditionell hätten Unternehmen ihre Liquiditätsplanung vor allem aus granularen Vergangenheitswerten abgeleitet. „Ein Logistiker hat sich beispielsweise angeschaut, wie Ausfuhren mit Rohstoffpreisen korrelieren. Das war sehr limitiert“, erklärt Többens. „Heute werden deutlich mehr Quellen genutzt. Unternehmen haben mehr Datenpunkte, um Vorhersagen zu treffen.“ Der Nachteil: Zusammenhänge seien nicht immer so einfach nachvollziehbar. Többens betont jedoch, dass Treasurer mit neuen KI-Modellen deutlich besser in Szenarien planen können. „Früher konnte ich Wahrscheinlichkeitsverteilungen kaum berechnen. Heute kann ich den Best Case, den Worst Case oder den Most Likely Case modellieren, indem ich einzelne Parameter verändere. Das ist deutlich weniger Aufwand als noch vor ein paar Jahren.“ Die Liquiditätsplanung werde dadurch „multidimensional“. Im Mittelstand lässt sich viel erreichen Grundsätzlich sollten aus Sicht des KPMG-Beraters alle Unternehmen Künstliche Intelligenz in der Liquiditätsplanung prüfen. „Für Großkonzerne ist das naheliegend. Aber auch im Mittelstand lässt sich sehr viel erreichen“, sagt Többens. Bei kleineren Unternehmen sei der relative Aufwand einer manuellen Planung höher, wenn Informationen aus unterschiedlichen Quellen eingebunden werden müssten – und das Tagesgeschäft oft die nötigen Ressourcen binde. Börries Többens ist Partner bei KPMG. Ein weiteres Hindernis sei die Auswahl des richtigen Tools. „Das ist viel schwieriger geworden: Jede Software wirbt inzwischen mit KI-Funktionen“, sagt Többens. Der eine Anbieter verspreche Szenarioanalysen, ein anderer Variance Detection, ein dritter automatisierte Datenintegration. „Den tatsächlichen Mehrwert kann man als Treasurer kaum einschätzen.“ Modelle müssen zum Geschäft passen Gerade im Forecasting sei entscheidend, welche Modelle zu welchem Geschäftsmodell passten: „Einige Lösungen sind besser in langfristigen Forecasts, andere erkennen Trends oder Anomalien.“ Trotz der Herausforderungen ist Többens von der Technologie überzeugt. „Die Modelle kommen heute mit deutlich weniger Datenpunkten aus als noch vor zwei Jahren.“ Das könne Unternehmen helfen, wenn bestimmte Informationen aus Datenschutzgründen nicht nutzbar seien. „Ich hatte so einen Fall bei einem Kunden, der nur 500 Datenpunkte zur Verfügung stellen konnte“, berichtet der Berater. Angereichert mit externen Zeitreihen habe man bei der Vorhersage des operativen Cashflows über einen Horizont von drei Monaten eine Genauigkeit von 98 Prozent erreicht. „Das ist ein überraschend guter Wert – und zeigt, wie gut die Technologie funktionieren kann.“

„Treasurer tauschen Automatisierung gegen Transparenz“

Weitere Artikel

Nomentia und Mitigram machen gemeinsame Sache

Ion Treasury präsentiert neuen Payment Hub

DerTreasurer Kompakt

Unterschätzter Geldgeber: der Wachstumskurs der EIB [08|2026]

Weitere Inhalte zum Thema

Die GenKI-Angebote der TMS-Anbieter

TIS: Konstante im nervösen SaaS-Markt

Das sind die wichtigsten Treasury-Technologie-Anbieter 2026

News

E-Magazin

Zeitschrift

Research

Events

Jobbörse

My Treasurer

Über uns

Die Redaktion

Kontakt

Mediadaten

Mediakit

Partner

„Treasurer tauschen Automatisierung gegen Transparenz“

Weitere Inhalte zum Thema

Ihr Feedback zu DerTreasurer