Vena & Claude: Vom FP&A- tooling us zum KI-Finanzteam

Wo bleibt bloß die Woche vor einer Vorstandssitzung?

Fragt man die meisten Finanzteams, womit sie die letzte Woche verbracht haben, lautet die ehrliche Antwort: mit Tabellenkalkulationen. Jemand ruft die Umsatzprognose aus einer Datei ab, den Personalplan aus einer anderen und eine Währungsannahme aus einer dritten, und verbringt dann einen Nachmittag damit, sicherzustellen, dass alle drei miteinander und mit den Zahlen des letzten Monats übereinstimmen.

Irgendwann in diesem Prozess stimmt eine Zahl nicht mehr. Niemand weiß mehr genau, warum. Die Person, die diese Registerkarte erstellt hat, ist diese Woche im Urlaub, also muss die Datei warten, oder jemand stellt die Logik aus dem Gedächtnis wieder her.

Die Zeit, die nach der Prüfung und dem Abgleich noch übrig bleibt, wird für die Beurteilung genutzt: ob eine Zahl noch Sinn ergibt, was sich auf dem Markt verändert hat, was der Vorstand wissen muss. Meistens ist das eine Stunde pro Woche, obwohl die Entscheidung eigentlich einen ganzen Tag erfordern würde.

Eine schnellere Berichterstattung hat der Finanzabteilung nicht mehr Mitspracherecht verschafft. Warum nicht?

Die Finanzteams haben in den letzten Jahren erhebliche Mittel aufgewendet, um die Berichterstellung zu beschleunigen. Der Monatsabschluss, der früher drei Wochen dauerte, ist nun in einer Woche erledigt. Die Dashboards werden über Nacht aktualisiert, statt nach einem manuellen Zeitplan. All das hat jedoch nichts am eigentlichen Problem geändert: Die Arbeit zum Zusammenstellen der Daten ist nicht verschwunden, und das Team, das sie erledigt, hat nun weniger Zeit dafür.

Der Grund dafür liegt darin, wo sich die Zahlen befinden. Eine Prognose, die in einer Tabellenkalkulation erstellt und in eine Präsentation exportiert wird, ist zum Zeitpunkt des Exports korrekt, eine Stunde später jedoch bereits ungenauer, sobald jemand eine Annahme in der Quelldatei ändert. Jeder Export ist eine Momentaufnahme einer Zahl, die sich bereits verändert.

Diese Lücke macht sich am deutlichsten in dem Moment bemerkbar, mit dem niemand gerechnet hat – wenn der Vorstand fragt, was passiert, wenn sich eine Produkteinführung um einen Monat verzögert, eine Frage, die niemand in das Modell der letzten Woche einbezogen hat. Bis die Finanzabteilung eine fundierte Antwort berechnet hat, ist die Sitzung bereits vorbei und die Entscheidung wurde ohne diese Antwort getroffen.

Was muss sich ändern, damit KI hier von Nutzen ist?

Ein KI-Assistent kann zu fast jedem Thema überzeugende Sätze verfassen – selbst zu einer Zahl, die bereits drei Wochen alt ist. Was jedem auffällt, ist der Chatbot. Entscheidend dafür, ob man seiner Antwort vertrauen kann, ist jedoch das, was dahintersteckt: jeweils eine aktuelle Version jeder Zahl, ein Protokoll darüber, wer was geändert hat, sowie Regeln darüber, wer welche Zahlen einsehen darf. Richtet man einen KI-Assistenten auf einen Ordner mit Tabellenkalkulationen, gibt es nichts davon. Richtet man ihn auf ein System, das dafür ausgelegt ist, die Zahlen an einem Ort zu speichern, ist all das vorhanden.

Finext setzt Vena ein, eine Planungsplattform, die die Budget- und Prognosedaten eines Unternehmens in einem vernetzten System zusammenführt, in das diese Regeln bereits integriert sind. Sobald die Zahlen dort vorliegen, leistet die KI bei zwei unterschiedlichen Aufgaben wertvolle Dienste. Die erste Aufgabe besteht darin, die Prognose selbst zu erstellen und die Zahlen einzutragen, bevor jemand sie manuell eingeben muss. Die zweite Aufgabe besteht darin, Fragen zu bereits vorhandenen Zahlen zu beantworten – also genau die Art von Fragen, die der Vorstand ohne Vorwarnung stellt. Für diese Aufgaben sind unterschiedliche Werkzeuge erforderlich, und jedes davon ist für sich genommen einen Blick wert.

Kann ein Modell den ersten Entwurf Ihrer Prognose erstellen?

Die Vorhersage der Zahlen für das nächste Jahr anhand historischer Muster ist keine neue Idee. Die Analyse der eigenen Zahlen aus zwei oder drei Jahren, das Erkennen von Mustern und das Vorschlagen der Zahlen für das nächste Jahr, noch bevor jemand eine leere Vorlage öffnet – was gemeinhin als „prädiktive Prognose“ bezeichnet wird – gibt es schon seit Jahrzehnten. Der limitierende Faktor war die meiste Zeit über die Rechenleistung, doch diese stellt seit Jahren keine echte Einschränkung mehr dar, sodass niemand mehr das Jahresbudget auf einem leeren Blatt beginnen muss. Ein Modell wertet Ihre historischen Daten aus und schlägt für jede Zeile einen Ausgangswert vor, den Ihr Team dann weiter anpasst.

Es funktioniert genau bei den Posten, die man erwarten würde: Kosten, die sich Jahr für Jahr in einem vorhersehbaren Muster wiederholen, Softwarelizenzen und Büromaterial. Es hat keine Möglichkeit, etwas über Ereignisse zu erfahren, die noch nie zuvor eingetreten sind – etwa eine Übernahme oder einen Kunden, der kurz vor dem Weggang steht –, da nichts davon in den Daten der letzten drei Jahre auftaucht. Genau diese Zahlen verdienen die volle Aufmerksamkeit eines Menschen, denn ein Modell kann dabei nicht helfen.

Bittet man einen Abteilungsleiter, sein Budget von Grund auf selbst aufzustellen, besteht sein Anreiz darin, die höchstmögliche Zahl zu erreichen, die er rechtfertigen kann – nicht die genaueste. Gibt man ihm stattdessen einen vom Modell vorgeschlagenen Wert vor und bittet ihn, jede Abweichung zu erklären, ändert sich der Gesprächsverlauf: Er argumentiert nicht mehr für eine höhere Summe, sondern beginnt, eine bestimmte Anpassung an einen bestimmten Wert zu verteidigen.

Was passierte, als ein Model gegen erfahrene Planer antrat?

Finext führte für ein globales Pharmaunternehmen ein Pilotprojekt durch, bei dem die Nachfrage für Zehntausende einzelner Produkte in Dutzenden von Märkten prognostiziert wurde. Bei einem solchen Umfang kann kein Team jedem Produkt die gleiche Aufmerksamkeit widmen. Daher war der Test ganz einfach: Es galt, eine statistische Prognose für dieselben Produkte zu erstellen, die die Planer des Unternehmens bereits manuell prognostizierten, und beide Ergebnisse miteinander zu vergleichen.

Das Modell übertraf die Prognosen der Menschen bei mehr als der Hälfte der getesteten Produkte. Bei den übrigen Produkten waren die Planer dem Modell überlegen.

Diese Aufteilung ist die eigentliche Erkenntnis. Die Maschine hat im „Long Tail“ die Nase vorn: Tausende von Serien, bei denen die Alternative oft eine Faustregel ist, weil niemand die Zeit hat, jede einzelne zu prüfen. Der Planer hat im Kontext die Oberhand: Ein Kunde, der im dritten Quartal abwandert, eine Verzögerung bei der Markteinführung oder eine Preissenkung eines Mitbewerbers tauchen in der Historie nicht auf. Das Betriebsmodell lautet daher: zuerst die Maschine, zuletzt der Mensch. Die Maschine liefert die Ergebnisse, und der Planer überprüft diese und greift ein, wenn sich der Kontext ändert und die Antwort dadurch beeinflusst wird.

Kannst du deinen eigenen Zahlen eine Frage stellen und der Antwort vertrauen?

Wenn man den Export einer Tabellenkalkulation in einen KI-Assistenten einfügt und ihm eine Frage stellt, antwortet er selbstbewusst – mit Zahlen, die bereits zum Zeitpunkt des Exports veraltet waren, und ohne dass man überprüfen kann, ob sie aktuell sind.

Die Alternative ist eine direkte Verbindung zwischen dem KI-Assistenten und den Live-Daten selbst. Das „Model Context Protocol“ (MCP) ist ein offener Standard, der wie USB-C für KI funktioniert: Man stellt eine Frage in einfachem Englisch, MCP leitet sie an das entsprechende Vena-Modell weiter, und man erhält Live-Daten zurück – keinen veralteten Export. Außerdem ermöglicht es Unternehmen, das KI-Tool zu nutzen, für das sie sich bereits entschieden haben, sei es Claude, ChatGPT, Copilot oder Gemini.

Drei Dinge gewährleisten diese Sicherheit. Erstens gelten weiterhin die Systemberechtigungen der jeweiligen Person: Wenn ein Controller heute nicht auf „Deutschland“ zugreifen oder Änderungen daran vornehmen kann, gilt dies auch für seine KI. Zweitens wird jede überarbeitete Prognose in das verwaltete Modell übernommen – im Idealfall in einem separaten Szenario und nicht in einer Arbeitsmappe auf dem Laptop einer einzelnen Person. Drittens verfügt jeder Schreibvorgang über einen Prüfpfad, aus dem hervorgeht, wer wann welche Änderung vorgenommen hat und von welchem Wert auf welchen Wert geändert wurde, mit der Möglichkeit, diese Änderung rückgängig zu machen.

Ihr Team kann dieselbe Verbindung nutzen, um das zuvor in diesem Artikel angesprochene Problem zu lösen. Jedes regionale Team verfasst seine eigenen Notizen neben den jeweiligen Zahlen, oft in seiner eigenen Sprache, und jemand muss dennoch alles durchlesen und die Zusammenfassung erstellen, die dem Vorstand vorgelegt wird. Auf diese Weise vernetzt, erstellt ein KI-Assistent diese Zusammenfassung innerhalb weniger Minuten in einer Sprache, mit einem Verweis auf die ursprünglichen Notizen.

Was muss gegeben sein, damit das bei dir funktioniert?

All das funktioniert nicht, wenn Ihre Zahlen nach wie vor in einem Ordner mit Tabellenkalkulationen gespeichert sind, die per E-Mail hin und her geschickt werden. Die Ausgangsvoraussetzung ist ein einziges System, das die aktuellen Zahlen enthält, protokolliert, wer welche Änderungen vorgenommen hat, und weiß, wer welche Zahlen einsehen darf.

Die zweite Voraussetzung ist, dass eine Person die Ergebnisse des Modells überprüft, bevor diese dem Vorstand vorgelegt werden. Eine Prognose, die niemand überprüft, wird zu einem System, das niemand erklären kann, wenn in zwei Jahren jemand kritische Fragen dazu stellt. Das Modell liefert Vorschläge; eine Person muss sie dennoch absegnen.

Wenn Ihr Team heute noch mit Tabellenkalkulationen arbeitet, ist das der ehrliche Ausgangspunkt, und der Aufbau eines vernetzten Systems lohnt sich schon an sich, noch bevor KI überhaupt ins Spiel kommt: Es macht sich bereits durch den geringeren Zeitaufwand für den Abgleich bezahlt, noch bevor jemand eine Frage stellt.

Von da an ist der Ablauf kurz: Die Zahlen an einem Ort zusammenführen, festlegen, wer was sehen darf, und erst dann einen KI-Assistenten daran anbinden. Teams, die den ersten Schritt überspringen, automatisieren letztendlich das Abgleichproblem, anstatt es zu beheben.

Steef Houtekamer führt auf dem Bildschirm durch all diese Schritte, erstellt eine Prognoselinie, verknüpft Claude mit den aktuellen Zahlen und fasst die Kommentare der Planer in drei Sprachen zu einer Zusammenfassung zusammen.

Häufig gestellte Fragen

Was ist prädiktive Prognose?

Unter „vorausschauender Prognose“ versteht man die Verwendung eines Computermodells, das die historischen Zahlen mehrerer Jahre auswertet und automatisch Zahlen für das nächste Jahr vorschlägt, noch bevor jemand eine Prognose manuell erstellt. Dies ist besonders nützlich für Kosten- und Umsatzposten, die sich von Jahr zu Jahr nach einem wiederkehrenden Muster entwickeln. Es ersetzt jedoch nicht die eigene Beurteilung in Bezug auf alles, was noch nicht zuvor geschehen ist.

Wird das unser Finanzteam ersetzen?

Nein. Ein Modell kann zwar auf der Grundlage historischer Daten einen Ausgangswert vorschlagen, hat jedoch keine Möglichkeit, von einer Übernahme, einem neuen Produkt oder einem Kunden, der kurz vor dem Weggang steht, zu wissen, da all dies in den historischen Daten nicht erfasst ist. Für diese Entscheidungen ist nach wie vor ein Mensch erforderlich, und jemand muss weiterhin jeden vom Modell vorgeschlagenen Wert überprüfen, bevor er verwendet wird.

Landen unsere Daten in einem KI-Modell?

Das hängt davon ab, wie Sie die Verbindung herstellen. Eine direkte Verbindung zwischen einem KI-Assistenten und Ihren Live-Zahlen, wie sie in diesem Artikel beschrieben wird, berücksichtigt Ihre bestehenden Berechtigungen: Wenn Sie eine Zahl derzeit in Ihrem System nicht einsehen können, ändert sich daran auch durch die Anbindung eines KI-Assistenten nichts. Erkundigen Sie sich bei Ihrem Anbieter genau, wie dessen Konfiguration damit umgeht, bevor Sie eine Verbindung herstellen. Lokale Modelle und „Governed Models“ in Europa bieten eine Lösung für strenge Datenschutzrichtlinien.

Was müssen wir erst einmal vorbereiten, bevor wir das umsetzen können?

Ein System, das Ihre aktuellen Zahlen speichert, anstatt dass ein Ordner mit Tabellenkalkulationen von einer Person zur nächsten weitergereicht wird. Eine Aufzeichnung darüber, wer was geändert hat. Und klare Regeln darüber, wer welche Zahlen einsehen darf. Ohne diese Grundlage hat ein KI-Assistent keine verlässliche Arbeitsgrundlage, ganz gleich, wie leistungsfähig das Modell auch sein mag.

Wie lange dauert es, so etwas einzurichten?

Das hängt fast ausschließlich davon ab, wo Ihre Daten derzeit gespeichert sind. Ein Team, das bereits über ein vernetztes Planungssystem verfügt, kann innerhalb weniger Wochen eine KI-Anbindung einrichten. Ein Team, das noch mit verstreuten Tabellenkalkulationen arbeitet, muss zunächst diese Grundlage schaffen, und dieser Teil der Arbeit dauert länger, als der KI-Teil jemals dauern wird. Kontaktieren Sie uns gerne für eine Reifegradanalyse, bei der wir ermitteln können, wo Ihr Unternehmen derzeit steht.