ChatGPT und Claude können Ihre Zahlen erklären. Warum können sie sie dann nicht abschließen?

Verbringt man heute Zeit mit nahezu jedem Finance-Team, zeigt sich ein klares Muster. Daten werden aus einem ERP- oder Quellsystem exportiert, in Tools wie ChatGPT oder Claude übertragen, und innerhalb von Sekunden liegt eine klare Erklärung für eine Abweichung vor, Prognosen nehmen Gestalt an und Narrative für Board-Präsentationen entstehen schneller als je zuvor.

Was früher Stunden gedauert hat, dauert heute nur noch Minuten. Für Finance-Teams, die unter dem Druck stehen, schneller zu arbeiten und mehr Erkenntnisse zu liefern, ist das ein bedeutender Wandel. Und dieses Verhalten ist längst kein Nischenphänomen mehr. Es entwickelt sich schnell zur Standardmethode, mit der Finance-Teams mit Daten arbeiten.

Die Daten bestätigen dieses Spannungsfeld. Nur 14 % der CFOs vertrauen KI uneingeschränkt zu, eigenständig korrekte Buchhaltungsdaten zu erstellen, und 97 % halten menschliche Kontrolle für entscheidend. Viele Berichte weisen bereits auf unzuverlässige oder halluzinierte Ergebnisse bei Finance-Anwendungsfällen hin. Dieser Markt hat keine Angst vor KI. Er will KI unter klarer Governance einsetzen. (CFO Dive)

Dieses Spannungsfeld führt zu einer grundlegenderen Frage: Die Herausforderung besteht nicht darin, ob KI Antworten generieren kann. Das kann sie. Die Herausforderung ist vielmehr, was erforderlich ist, damit aus diesen Antworten Entscheidungen werden.

Im Finance-Bereich ist eine Zahl nicht deshalb belastbar, weil sie gut erklärt wurde. Sie wird erst dann verbindlich, wenn sie abgestimmt, genehmigt, versioniert und freigegeben wurde. Dieser Unterschied wird in einer Chat-Oberfläche leicht übersehen, weil Ergebnisse vollständig wirken können, obwohl noch nichts verbindlich festgeschrieben wurde.

Genau hier trifft die Begeisterung für Tools wie ChatGPT und Claude auf die realen Anforderungen und Einschränkungen des Finance-Bereichs.

Noch einmal: Das Problem ist nicht, dass diese Modelle ungenau sind. Mit den richtigen Kontrollen können sie kontrollierte Workflows unterstützen. In den meisten realen Anwendungsszenarien sollte ihr Einsatz jedoch bei Exploration und Interpretation enden. Für die meisten Unternehmen bleiben sie von den Systemen getrennt, in denen finanzielle Entscheidungen finalisiert werden.

Finance ist kein Bereich, in dem „gut genug“ ausreicht. Genau in dieser Lücke zwischen Erkenntnis und Handlung beginnt das Risiko.

Large Language Models sind von ihrem Design her probabilistisch. Sie erzeugen auf Basis des Kontexts plausible Antworten. Das ist eine Stärke für Schlussfolgerungen und Interaktion. Financial Planning and Analysis erfordert jedoch etwas anderes. Dieselben Eingaben müssen stets zu denselben Ergebnissen führen. Jede Zahl muss nachvollziehbar, auditierbar und reproduzierbar sein.

Beispielsweise weiß ein LLM wie ChatGPT oder Claude nicht, dass Ihre EMEA-Geschäftseinheit im ersten Quartal reorganisiert wurde, dass sich Ihr Kontenplan im März geändert hat oder dass Ihre Intercompany-Eliminierungen einer bestimmten Richtlinie folgen. Ohne diesen Kontext wird aus Exploration schnell eine plausible Halluzination. Das Ergebnis sieht wie eine Antwort aus – aber Vorsicht: Es ist keine.

Das sind keine Einschränkungen der KI. Es sind Anforderungen an Finanzsysteme.

Die entscheidende Frage ist nicht, ob KI Systems of Record ersetzt. Es geht darum, wie KI und Finanzplanungssysteme zusammenarbeiten. Sprachmodelle helfen Finance-Teams dabei, Daten zu erkunden, Erkenntnisse zu gewinnen und schneller zu arbeiten. Planungs- und Konsolidierungsplattformen schaffen Struktur, Governance und Kontrolle. Sie stellen sicher, dass Zahlen vertrauenswürdig sind und als Grundlage für Entscheidungen dienen können. Der tatsächliche Mehrwert entsteht durch die Kombination beider Ansätze.

KI ist bei der frühen Phase der Finanzanalyse äußerst effektiv. Sobald sich Workflows jedoch von der Erklärung einer Abweichung hin zur Aktualisierung von Prognosen, zur Steuerung von Freigaben und zum Festschreiben von Änderungen bewegen, wird Governance entscheidend.

In dieser Phase ist die Einschränkung nicht die Intelligenz, sondern die Kontrolle.

Finanzdaten sind nicht einfach eine Sammlung von Tabellen. Sie bilden eine Planungsontologie – ein über Jahre gewachsenes, komplexes Netzwerk aus Unternehmenshierarchien, Treibern, Intercompany-Regeln, FX-Richtlinien, Szenarien und Freigabestatus. Eine KI, die nicht auf Basis dieser Struktur schlussfolgert, wird selbstbewusst klingende Antworten auf Basis eines falschen Abbilds des Unternehmens liefern.

Sie sind zudem sensibel. Finanzpläne, Prognosen und Profitabilitätskennzahlen unterliegen einer strengen Kontrolle. Die Übertragung dieser Daten in externe Tools bringt häufig Sicherheits- und Compliance-Herausforderungen mit sich.

Deshalb zeichnet sich ein klarer Trend ab: Unternehmen bringen ihre Daten nicht mehr zum Modell. Sie bringen das Modell zu den Daten.

Bei diesem Ansatz bleibt das Finanzplanungssystem das führende System. KI wird zu einer Reasoning-Ebene innerhalb dieses Systems. Erkenntnisse werden auf Basis kontrollierter Daten generiert, und Ergebnisse können in das System zurückgeschrieben werden, in dem Entscheidungen getroffen werden.

Was dafür erforderlich ist

Dafür sind drei Grundlagen erforderlich:

• Eine Planungsontologie: im System hinterlegte Hierarchien, Treiber, Intercompany-Regeln und Finanzlogik
• Eine semantische Ebene für Finance: eine Definition, eine Datenherkunft und eine zentrale verlässliche Quelle pro Kennzahl
• Kontrolliertes Write-back: Policy-Gates, Versionskontrolle und ein vollständiger Audit-Trail

Ohne diese Grundlagen bleibt KI ein Tool für Schlussfolgerungen. Mit ihnen wird sie Teil eines Entscheidungssystems.

Board Agents setzen dieses Modell in der Praxis um. Sie schlussfolgern auf Basis einer Planungsontologie, in der Hierarchien, FX-Logik, Intercompany-Regeln und Freigaberichtlinien bereits hinterlegt sind. Die Berechnungen sind deterministisch. Das Reasoning ist probabilistisch. Und jede Festschreibung erfolgt über kontrolliertes Write-back mit Policy-Gates, Audit-Trail und Versionshistorie. Das ist der strukturelle Unterschied zwischen einem Chat-Ergebnis und einem verbindlich festgeschriebenen Plan.

Sehen wir uns an, wie das in der Praxis aussieht:

Nehmen wir einen ganz normalen Montag. Der CFO fragt, warum das EBITDA 8,2 % hinter dem Plan liegt.

Mit ChatGPT exportiert ein FP&A-Analyst Daten, erhält innerhalb von zwei Minuten eine plausible Erklärung und fügt sie in eine E-Mail ein.

Mit dem Board FP&A Agent wird dieselbe Frage auf Basis einer Planungsontologie beantwortet, in der die Hierarchien, Treiber und Intercompany-Regeln des Unternehmens bereits hinterlegt sind. Der Board FP&A Agent liefert einen Driver-Attribution-Waterfall, drei Maßnahmen-Szenarien und einen Narrative-Entwurf auf Basis von Live-Daten. Der FP&A-Analyst validiert die Ergebnisse, der CFO hinterfragt sie, und die überarbeitete Prognose wird innerhalb weniger Minuten mit vollständigem Audit-Trail in das führende System zurückgeschrieben.

Gleiche Erklärung. Anderes Ergebnis.

Aus dieser Perspektive sind Tools wie ChatGPT und Claude nicht die falschen Werkzeuge für Finance. Sie sind leistungsfähig und werden zunehmend wichtiger. Sie helfen Finance-Teams dabei, schneller zu denken, Szenarien zu untersuchen und Erkenntnisse zu gewinnen. Wo sie heute noch an ihre Grenzen stoßen, ist der letzte Schritt – wenn Zahlen von einer Empfehlung zu einer verbindlichen Entscheidung werden.

Diese Grenze wird sich weiter verschieben. KI-Modelle werden besser. Integrationen werden tiefer. Doch im Finance-Bereich, in dem Entscheidungen mit Verantwortung verbunden sind, wird Governance unverzichtbar bleiben.

Die Unterscheidung ist einfach.

KI hilft Teams beim Denken.
Systems of Record wie Board helfen ihnen, Entscheidungen zu treffen und verbindlich festzuschreiben.

Der Vorteil entsteht, wenn beide von Anfang an gemeinsam konzipiert werden.

Denn in Finance und Commercial Planning zählt eine überzeugende Erklärung letztlich nur dann, wenn sie zu einer Entscheidung führt, hinter der Sie auch stehen können.

Demo anfordern und sehen, wie Board Agents einen echten Varianzlauf bearbeiten.