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

Wo bleibt die Woche vor einer Geschäftsleitungssitzung?

Fragen Sie die meisten Finance-Teams, wofür die letzte Woche draufging, lautet die ehrliche Antwort: Tabellen. Jemand zieht die Vertriebsprognose aus der einen Datei, den Personalplan aus einer zweiten und eine Währungsannahme aus einer dritten. Danach geht ein Nachmittag dafür drauf, zu prüfen, ob die drei zueinander passen und zu dem, was im letzten Monat passiert ist.

Irgendwo in diesem Prozess stimmt eine Zahl nicht mehr. Niemand weiß genau, warum. Wer das Tabellenblatt gebaut hat, ist diese Woche im Urlaub, also bleibt die Datei liegen, oder jemand rekonstruiert die Logik aus dem Gedächtnis.

Die Zeit, die nach dem Prüfen und Abstimmen übrig bleibt, geht ins Urteilen: Stimmt die Zahl noch, was hat sich am Markt verändert, was muss die Geschäftsleitung hören? Meist ist das eine Stunde, obwohl die Entscheidung einen Tag verdient.

Schnelleres Reporting hat Finance nicht mehr Gewicht gegeben. Woran liegt das?

In den vergangenen Jahren haben Finance-Teams viel Budget in schnelleres Reporting gesteckt. Der Monatsabschluss, der früher drei Wochen dauerte, braucht heute eine. Dashboards aktualisieren sich über Nacht statt nach einem manuellen Plan. Das eigentliche Problem blieb: Die Aufbereitung der Zahlen ist nicht verschwunden, und das Team, das sie leistet, hat weniger Zeit dafür.

Die Ursache liegt darin, wo die Zahlen liegen. Ein Forecast, der in einer Tabelle entsteht und in eine Präsentation exportiert wird, stimmt im Moment des Exports und eine Stunde später schon weniger, sobald jemand eine Annahme in der Quelldatei ändert. Jeder Export ist eine Momentaufnahme einer Zahl, die sich längst wieder bewegt.

Am deutlichsten zeigt sich diese Lücke in dem Moment, mit dem niemand rechnet: Die Geschäftsleitung fragt, was passiert, wenn ein Produktlaunch um einen Monat rutscht, eine Frage, die im Modell der Vorwoche niemand berücksichtigt hat. Bis Finance eine belastbare Antwort errechnet hat, ist die Sitzung vorbei und die Entscheidung ohne diese Antwort gefallen.

Was muss sich ändern, bevor KI hier etwas bringt?

Ein KI-Assistent formuliert selbstsicher über fast alles, auch über eine Zahl, die drei Wochen alt ist. Alle schauen auf den Chatbot. Ob Sie der Antwort trauen können, entscheidet sich darunter: eine aktuelle Version jeder Zahl, ein Protokoll, wer was geändert hat, und Regeln, wer welche Zahlen sehen darf. Richten Sie einen KI-Assistenten auf einen Ordner voller Tabellen, existiert nichts davon. Richten Sie ihn auf ein System, das die Zahlen an einer Stelle hält, ist alles da.

Finext implementiert Vena, eine Planungsplattform, die die Budget- und Forecast-Zahlen eines Unternehmens in einem vernetzten System bündelt, mit diesen Regeln bereits eingebaut. Liegen die Zahlen dort, ist KI für zwei getrennte Aufgaben nützlich. Die erste ist, den Forecast selbst zu erstellen: Die Zahlen werden eingetragen, bevor jemand sie tippen muss. Die zweite ist, Fragen zu bereits vorhandenen Zahlen zu beantworten, so wie die Geschäftsleitung sie ohne Vorwarnung stellt. Dafür braucht es unterschiedliche Werkzeuge, und jedes verdient einen eigenen Blick.

Kann ein Modell die erste Fassung Ihres Forecasts schreiben?

Das nächste Jahr aus historischen Mustern vorherzusagen, ist keine neue Idee. Zwei oder drei Jahre eigener Zahlen lesen, das Muster finden und die Zahlen fürs nächste Jahr vorschlagen, bevor jemand eine leere Vorlage öffnet, im Fachjargon Predictive Forecasting, gibt es seit Jahrzehnten. Lange war die Rechenleistung der Engpass, und das ist seit Jahren kein echtes Hindernis mehr. Niemand muss die Jahresplanung deshalb noch mit einem leeren Blatt beginnen. Ein Modell liest Ihre Historie, schlägt für jede Zeile einen Startwert vor, und Ihr Team passt ihn an.

Stark ist das Modell genau bei den Zeilen, die Sie erwarten: Kosten, die jedes Jahr nach einem vorhersehbaren Muster wiederkehren, etwa Softwarelizenzen und Büromaterial. Was noch nie passiert ist, kennt es nicht, zum Beispiel eine Übernahme oder einen Kunden, der kurz vor der Kündigung steht, denn das steht nicht in drei Jahren Historie. Genau diese Zahlen verdienen die volle Aufmerksamkeit eines Menschen, weil ein Modell dort nicht helfen kann.

Bitten Sie Abteilungsleiter, ihr Budget bei null selbst aufzubauen, ist ihr Anreiz der größte Betrag, den sie verteidigen können, nicht der genaueste. Geben Sie ihnen stattdessen den Vorschlag eines Modells und fragen nach einer Begründung für jede Änderung, verschiebt sich das Gespräch: Sie plädieren nicht mehr für mehr, sondern verteidigen eine konkrete Anpassung einer konkreten Zahl.

Was passierte, als ein Modell gegen erfahrene Planer antrat?

Finext hat einen Pilot für ein weltweit tätiges Pharmaunternehmen durchgeführt, das die Nachfrage für zehntausende einzelne Produkte in Dutzenden Märkten prognostiziert. Bei dieser Größe kann kein Team jedem Produkt gleich viel Aufmerksamkeit widmen. Der Test war deshalb einfach: eine statistische Prognose für dieselben Produkte erstellen, die die eigenen Planer des Unternehmens bereits von Hand prognostizierten, und beide vergleichen.

Das Modell schlug die menschliche Prognose bei mehr als der Hälfte der getesteten Produkte. Bei den übrigen lagen die Planer vorn.

Diese Aufteilung ist das eigentliche Ergebnis. Die Maschine gewinnt den langen Schwanz: tausende Zeitreihen, bei denen die Alternative oft eine Faustregel ist, weil niemand Zeit hat, sie einzeln anzusehen. Der Planer gewinnt beim Kontext: Ein Kunde, der im dritten Quartal geht, ein verschobener Launch oder eine Preissenkung eines Wettbewerbers steht nicht in der Historie. Das Arbeitsmodell lautet deshalb erst die Maschine, dann der Mensch. Das Modell liefert, und der Planer prüft und überschreibt dort, wo der Kontext die Antwort verändert.

Können Sie Ihren eigenen Zahlen eine Frage stellen und der Antwort trauen?

Kopieren Sie einen Tabellenexport in einen KI-Assistenten und stellen eine Frage, kommt die Antwort selbstsicher, mit Zahlen, die im Moment des Exports schon veraltet waren, und ohne dass Sie prüfen können, ob sie noch stimmen.

Die Alternative ist eine direkte Verbindung zwischen dem KI-Assistenten und den Live-Zahlen selbst. Das Model Context Protocol, kurz MCP, ist ein offener Standard, der für KI wie USB-C funktioniert: Sie stellen eine Frage in normaler Sprache, MCP leitet sie an das kontrollierte Vena-Modell weiter, und Sie erhalten Live-Daten zurück statt eines veralteten Exports. So kann ein Unternehmen außerdem das KI-Tool weiterverwenden, das es bereits gewählt hat, ob Claude, ChatGPT, Copilot oder Gemini.

Drei Dinge machen das sicher. Erstens gelten die Systemrechte des Nutzers weiter: Hat ein Controller heute keinen Zugriff auf Deutschland oder darf dort nichts ändern, gilt das auch für seine KI. Zweitens landet jeder überarbeitete Forecast im kontrollierten Modell, am besten in einem eigenen Szenario, und nicht in einer Arbeitsmappe auf irgendeinem Laptop. Drittens hat jeder Rückschreibvorgang einen Audit-Trail, der zeigt, wer wann was geändert hat, von welchem Wert auf welchen Wert, mit der Möglichkeit, es rückgängig zu machen.

Ihr Team kann dieselbe Verbindung für das Problem vom Anfang dieses Artikels nutzen. Jedes regionale Team schreibt Kommentare zu den eigenen Zahlen, oft in der eigenen Sprache, und jemand muss noch alles lesen und die Zusammenfassung schreiben, die die Geschäftsleitung sieht. Mit dieser Verbindung schreibt ein KI-Assistent diese Zusammenfassung in Minuten, in einer Sprache, mit einer Spur zurück zu den ursprünglichen Kommentaren.

Was muss stimmen, bevor das für Sie funktioniert?

Nichts davon funktioniert, wenn Ihre Zahlen noch in einem Ordner mit Tabellen liegen, die per Mail herumgereicht werden. Der Ausgangspunkt ist ein einziges System, das die aktuellen Zahlen hält, festhält, wer was geändert hat, und weiß, wer welche Zahlen sehen darf.

Die zweite Voraussetzung ist, dass ein Mensch das Ergebnis des Modells prüft, bevor es in die Nähe einer Präsentation für die Geschäftsleitung kommt. Ein Forecast, den niemand prüft, wird in zwei Jahren zu einem System, das niemand erklären kann, wenn jemand eine unbequeme Frage dazu stellt. Das Modell macht einen Vorschlag, ein Mensch zeichnet ab.

Arbeitet Ihr Team heute noch mit Tabellen, ist das der ehrliche Ausgangspunkt. Ein vernetztes System aufzubauen lohnt sich schon für sich, noch bevor KI ins Gespräch kommt: Es zahlt sich durch weniger Abstimmungsaufwand aus, auch wenn nie jemand eine Frage daran stellt.

Danach ist die Reihenfolge kurz: die Zahlen an einer Stelle zusammenführen, festlegen, wer was sehen darf, und erst dann einen KI-Assistenten anbinden. Teams, die den ersten Schritt überspringen, automatisieren das Abstimmungsproblem, statt es zu lösen.

Steef Houtekamer zeigt das alles am Bildschirm: Er baut eine Forecast-Zeile, verbindet Claude mit Live-Zahlen und verwandelt Planer-Kommentare in drei Sprachen in eine einzige Zusammenfassung.

Häufig gestellte Fragen

Was ist Predictive Forecasting?

Beim Predictive Forecasting liest ein Computermodell mehrere Jahre Ihrer eigenen historischen Zahlen und schlägt automatisch die Zahlen fürs nächste Jahr vor, bevor jemand einen Forecast von Hand baut. Es funktioniert vor allem bei Kosten- und Umsatzzeilen, die jedes Jahr demselben Muster folgen. Bei allem, was es noch nie gegeben hat, ersetzt es Ihr eigenes Urteil nicht.

Ersetzt das unser Finance-Team?

Nein. Ein Modell kann auf Basis der Historie einen Startwert vorschlagen, weiß aber nichts von einer Übernahme, einem neuen Produkt oder einem Kunden, der kurz vor dem Absprung steht, weil das nicht in früheren Daten steht. Diese Entscheidungen brauchen weiterhin einen Menschen, und jemand muss jede Zahl prüfen, die das Modell vorschlägt, bevor sie verwendet wird.

Landen unsere Daten in einem KI-Modell?

Das hängt davon ab, wie Sie die Verbindung aufbauen. Eine direkte Verbindung zwischen einem KI-Assistenten und Ihren Live-Zahlen, wie in diesem Artikel beschrieben, respektiert Ihre bestehenden Berechtigungen: Können Sie eine Zahl heute in Ihrem System nicht einsehen, ändert eine KI-Anbindung daran nichts. Fragen Sie Ihren Anbieter genau, wie seine Lösung damit umgeht, bevor Sie etwas anbinden. Für strenge Datenrichtlinien bieten lokale Modelle und kontrollierte Modelle in Europa eine Lösung.

Was brauchen wir, bevor wir das umsetzen können?

Ein System mit Ihren aktuellen Zahlen statt eines Ordners voller Tabellen, die von Hand zu Hand gehen. Ein Protokoll, wer was geändert hat. Und klare Regeln, wer welche Zahlen sehen darf. Ohne dieses Fundament hat ein KI-Assistent nichts Verlässliches, womit er arbeiten kann, egal wie leistungsfähig das Modell ist.

Wie lange dauert die Einrichtung?

Das hängt fast vollständig davon ab, wo Ihre Zahlen heute liegen. Ein Team mit bereits einem vernetzten Planungssystem kann innerhalb weniger Wochen eine KI-Anbindung ergänzen. Ein Team, das noch mit verstreuten Tabellen arbeitet, muss zuerst dieses Fundament legen, und das dauert länger als der KI-Teil je dauern wird. Sprechen Sie uns gern auf einen Reifegrad-Check an, mit dem wir gemeinsam feststellen, wo Ihr Unternehmen aktuell steht.