Atrás
Die zunehmende Digitalisierung und Automatisierung eröffnet dem Finanzwesen neue Wege - und Künstliche Intelligenz (KI) spielt dabei eine zentrale Rolle. In kaum einem anderen Unternehmensbereich lassen sich KI-Technologien so effizient und gewinnbringend einsetzen wie im Finance, denn Prozesse im Finanzwesen sind meist strukturiert, datenbasiert und regelgebunden: das sind ideale Voraussetzungen.
Als Erfolgsfaktoren hinzu kommen eine Vielzahl an automatisierbaren Routineaufgaben, der Zugang zu großen historischen Datensätzen sowie der hohe Bedarf an datenlastigen Analysen, so dass KI nicht nur die Effizienz und Genauigkeit steigern kann, sondern auch vorausschauende Analysen, etwa in Form von Szenarien und Prognosen in Echtzeit ermöglicht. Stehen diese frühzeitig und in einer hohen Qualität zur Verfügung, können fundierte Entscheidungen schneller getroffen und Risiken frühzeitig erkannt werden.
Laut einer aktuellen KPMG-Studie zur Nutzung generativer KI in der deutschen Wirtschaft erwarten Unternehmen deutliche Effizienzsteigerungen, neue Wertschöpfungsmöglichkeiten sowie Kostenreduktion durch Automatisierung. KI wird von den Umfrageteilnehmenden also nicht als bloße Unterstützung verstanden, sondern als strategisches Werkzeug, das sowohl operative als auch kreative Prozesse revolutioniert.
Und das gilt auch im Finanzbereich: KI wird bereits von einigen (wenigen) Teams eingesetzt und weiterentwickelt.
Trotz großer Ambitionen hapert es vielerorts an der Umsetzung von KI: Nur 34 % der Unternehmen haben erste Use Cases implementiert, 35 % planen PoCs, während 31 % noch keinen Plan verfolgen.
Besonders auffällig ist der Rückstand im Bereich Finance oder Treasury, der in der genannten Umfrage nach den Top-3 IT, Marketing/Vertrieb, und Personal/HR gar nicht mehr genannt wird und somit deutlich hinter Fachbereichen wie Strategie, Governance oder Recht hinterherhinkt. Zugleich fehlen vielerorts klare KI-Richtlinien: Zwar beschäftigen sich 80 % aktiv mit einer Strategie für generative KI, aber nur 31 % haben diese bereits etabliert.
Dieser Trend scheint sich 2025 umzukehren: 65% der befragten 100 CFOs sehen in KI-basierter Automatisierung ihre wichtigste Aufgabe für Jahr 2025.
Dieser Fokus scheint auch dringend nötig: Automatisierung im Finanzbereich bringt mehr als nur Kosteneinsparungen - sie ist ein echter Gamechanger. KI-basierte Lösungen machen Finanzteams proaktiver, verbessern durch die Integration verschiedener Systeme die Aussagekraft von Einzel-Analysen (z.B. Soll-Ist-Vergleich in der P&L oder Prognosequalität im Liquiditätsmanagement) und fördern die Zusammenarbeit zwischen Tech und Finance, was zu höherem gegenseitigen Verständnis und somit auch mehr Bereitschaft zu künftigen, automatisierungs-generierten Effizienzen führt. Gleichzeitig schließt Automatisierung die Lücke zwischen dem altersbedingten Wegfall erfahrener Fachkräfte und noch nicht voll ausgebildeten Nachwuchstalenten.
Als ein besonders für KI-Anwendungen geeignetes Feld innerhalb Finance soll im Folgenden Treasury herausgegriffen werden, denn dort ist das Datenvolumen hoch und aufgrund der Wichtigkeit eines wirkungsvollen Cashmanagements der Druck oft hoch.
Schauen wir auf den heutigen Einsatz von KI-Lösungen, so sehen wir anhand Gartner-Studie Überraschendes: bereits heute nutzen rund 44% der Unternehmen Lösungen zur intelligenten Prozessautomatisierung. Dabei werden Aufgaben wie Dateneingabe und Abstimmung automatisiert, was die Compliance stärkt und die Skalierbarkeit erhöht.
Ein weiteres zentrales Einsatzfeld ist die Anomalie- und Fehlererkennung (Einsatz bei 39% der Unternehmen). KI erkennt dabei nicht nur Unregelmäßigkeiten in Daten, sondern auch potenziellen Betrug. Sie verbessert das Risikomanagement und sorgt für eine signifikante Steigerung der Datenqualität, was essenziell in einem Bereich, der stark auf Genauigkeit und Vertrauen angewiesen ist.
Auch dynamische Analysen (28%) profitieren vom KI-Einsatz. Prognosen werden präziser, strategische Entscheidungen fundierter. Darüber hinaus ermöglichen Monitoring-Tools eine proaktive Steuerung auch bei der Reaktion auf kurzfristige Marktentwicklungen oder der Vermeidung von Liquiditätsengpässen.
Last but not least: Die operative Unterstützung und Erweiterung (27%) durch KI zeigt sich besonders in der automatisierten Berichterstattung. Generative KI kann helfen, große Datenmengen zu interpretieren und in verständliche Sprache zu übersetzen - etwa für Management-Reports oder Investor Relations. Das verbessert nicht nur die Entscheidungsfindung, sondern auch die Kommunikation.
Damit wird klar: KI ist nicht nur theoretischer Mehrwert, sondern bereits heute praktischer Anwendungsfall im Treasury, den mehr und mehr CFOs als relevant ansehen. Vier Beispiele und ihre Umsetzung in Embat sehen wir im nächsten Abschnitt.
Bankabstimmung
Durch die Integration mit gängigen ERP-Systemen erhält Embat automatisiert detaillierte Buchhaltungsinformationen, und weist diese über ein proprietäres ML-Modell (für Cashflow-Kategorien) und ein benutzerdefiniertes LLM-basiertes Modell basierend auf der proprietären historischen Datenbank kategorisierter Transaktionen Bank-Buchungen zu. Diese Zuweisungen fließen in die Buchführung zurück, und werden entsprechend revisionssicher in automatischen Bankabstimmungsberichten dokumentiert. Wie das genau erfolgt, ist hier geschildert: https://www.embat.io/de/buchhaltung-und-abstimmung
Intercompany-Buchungen:
Embat steuert auch Intragruppen-Positionen und -Transaktionen zentral. Durch den Einsatz von maßgeschneiderten LLMs können Informationen aus den Transaktionsbeschreibungen und ERP-Daten extrahiert werden, wodurch Transaktionen direkt mit Rechnungen abgeglichen und in die Hauptbücher gebucht werden. Dadurch ermöglicht Embat die Echtzeit-Visualisierung von Schuldsalden und aufgelaufenen Zinsen, wobei variable Zinssätze automatisch gemäß Referenzindizes aktualisiert werden. Mehr lest ihr gleich hier: https://www.embat.io/de/intercompany
Prognosen:
Embat nutzt ein proprietäres, maßgeschneidertes Machine-Learning-Modell zur Vorhersage, wann Zahlungen geleistet oder empfangen werden. Zudem wird Vertex AI über Google Cloud eingesetzt, um Cashflow-Prognosen zu automatisieren und zu präzisieren. Durch die Analyse historischer und aktueller Daten mit einem benutzerdefinierten Modell zur Erkennung saisonaler, wiederkehrender, außergewöhnlicher und korrelierender Trends in den Cashflow-Posten erstellt die Plattform kurz-, mittel- und langfristige Liquiditätsprognosen. Dies ermöglicht Finanzteams, operative Aufgaben zu reduzieren und sich auf strategische Entscheidungen zu konzentrieren. Details dazu finden sich hier: https://www.embat.io/de/cashflow-prognosen
Fraud-Detection:
Embat nutzt (ähnlich wie Iberpay in Spanien) - Machine Learning zur Betrugserkennung bei Zahlungen und identifiziert somit automatisch verdächtige Konten und Transaktionen wie Geldwäsche oder Terrorfinanzierung über Payguard. Derzeit wird das System aktiv weiterentwickelt und um ein Verfahren zur automatisierten Prüfung von Zahlungen, etwa gegen schwarze Listen oder Sanktionslisten, erweitert, um höchstmögliche Sicherheit im Zahlungsverkehr zu garantieren. https://www.embat.io/de/blog/zahlungsvorgange-ohne-uberraschungen-wie-unternehmen-ihren-zahlungsverkehr-schutzen
KI-Implementierungen sind oft mühsam und zeitaufwendig: es fehlen interne Experten, die KI-Anwendungen programmieren, trainieren und dann operativ nachbetreuen können. Bei der Anwendung von generischen Fremd-Tools wie ChatGPT ist der Mechanismus oftmals nicht offengelegt (black box) oder - falls open source wie DeepSeek - dem reinen Anwender nicht verständlich. Dazu kommen Herausforderungen von Datenschutz und Datensicherheit, insbesondere bei Datenhosting in Nicht-EU-Ländern.
Deswegen kann es im ersten Schritt lohnend sein, in Systemen integrierte Lösungen auszutesten und dann einzusetzen, denn deren Anbieter trägt - genauso wie für das Gesamtsystem - für Datenschutz, Hosting und Datensicherheit Sorge. Embat nutzt Google Cloud mit Hosting in Deutschland, um komplexe Finanzprozesse effizient zu automatisieren. Dank der skalierbaren Cloud-Infrastruktur lassen sich große Datenmengen in Echtzeit verarbeiten und mit BigQuery sofort analysieren sowie mit Vertex AI anreichern. Ergänzt wird dies durch einen erhöhten Sicherheitsstandard: Google Cloud gewährleistet mit modernen Sicherheitsprotokollen den Schutz sensibler Finanzdaten.
Weiterhin haben Systemanbieter durch eine große Kundenanzahl die Möglichkeit, ausführliche Test- und Trainingsdaten zu generieren, die weit über die des eigenen Unternehmens hinausgehen. Integrierte Systeme bieten strukturierte Anwendungsfelder, klar geregelte Datenflüsse und reduzieren das Risiko unerlaubter Nutzung, was Sicherheit und Compliance im Vergleich zu Eigenanwendungen oder -integrationen deutlich vereinfacht.
Auch das Nutzenpotential von integrierten Anwendungen ist hoch, denn Automatisierung und Einsatz von KI im Treasury revolutionieren zentrale Prozesse und schaffen spürbare Effizienzgewinne. Durch zentralisierte, in Echtzeit verfügbare Finanzdaten arbeiten Treasury- und Buchhaltungsteams mit einer einheitlichen, verlässlichen Datenquelle - manuelle Datenzusammenstellungen entfallen. Automatisierte Transaktions-Tags und G/L-Codierungen sorgen für eine sofortige, regelbasierte Kategorisierung ohne händisches Sortieren. Die tägliche Abstimmung von Transaktionen statt monatlicher Prozesse sowie die automatisierte Buchungssatzerstellung ermöglichen Echtzeit-Finanzberichte. Die Kombination dieser Elemente sorgt für einen spürbaren Business-Impact: Unternehmen wie Fever berichten von über 10 Stunden Zeiteinsparung pro Woche und deutlich verbesserter Datenqualität, was auf Reporting- und Forecasting-Genauigkeit einzahlt. Treasury wird damit nicht nur effizienter, sondern auch strategisch relevanter: ein Schritt, der angesichts der Funding-Herausforderungen und -Unsicherheiten im momentanen Marktumfeld zu genau dem richtigen Zeitpunkt kommt.
.avif)
